KR102388909B1 - 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템 - Google Patents

외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템 Download PDF

Info

Publication number
KR102388909B1
KR102388909B1 KR1020210079781A KR20210079781A KR102388909B1 KR 102388909 B1 KR102388909 B1 KR 102388909B1 KR 1020210079781 A KR1020210079781 A KR 1020210079781A KR 20210079781 A KR20210079781 A KR 20210079781A KR 102388909 B1 KR102388909 B1 KR 102388909B1
Authority
KR
South Korea
Prior art keywords
word
user
vector
embedding
model
Prior art date
Application number
KR1020210079781A
Other languages
English (en)
Inventor
신재민
박준영
Original Assignee
(주)뤼이드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)뤼이드 filed Critical (주)뤼이드
Priority to KR1020210079781A priority Critical patent/KR102388909B1/ko
Application granted granted Critical
Publication of KR102388909B1 publication Critical patent/KR102388909B1/ko
Priority to PCT/KR2022/008688 priority patent/WO2022270840A1/ko
Priority to US17/845,351 priority patent/US20220406217A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/06—Foreign languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Machine Translation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)

Abstract

본 명세서에서 서버가 사용자에게 단어를 추천하는 방법에 있어서, 네트워크로부터 학습 데이터를 수신하고, 상기 학습 데이터를 이용하여, AI 모델을 학습시키며, 상기 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성하고, (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력하며, 상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력할 수 있다.

Description

외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템 {A DEEP LEARNING-BASED PEDAGOGICAL WORD RECOMMENDATION SYSTEM FOR PREDICTING AND IMPROVING VOCAB SKILLS OF LANGUAGE LEARNERS}
본 명세서는 딥러닝을 통하여, 외국어 학습자의 어휘 실력 향상을 위한 단어를 추천하는 방법 및 이를 위한 장치에 관한 것이다.
제2 외국어를 공부하는 데 있어서, 단어의 습득, 또는 단어를 암기하기 위해, 사용자에게 가장 중요한 문제는 사용자가 효과적으로 어휘를 암기할 수 있는 방법을 찾는 것이다.
예를 들어, 학생들이 자주 직면하는 문제는 다음과 같을 수 있다. 첫째로, 사용자는 플래시 카드를 만들고 사용하기 위해 모르는 단어를 어플에 수동으로 입력(또는 종이에 쓰기)해야 하는 노력이 요구될 수 있다. 또한, 둘째로, 사용자가 모르는 단어나 알고리즘을 사용하는 인터페이스를 자동으로 추천하는 시스템은 구현되는 것이 어렵다.
그러나, 기존의 학계 또는 산업계에 있어서, AI(Artificial Intelligence)를 이용하여, 이러한 사용자들의 부담을 덜어주기 위한, 노력이 많지 않았다.
본 명세서의 목적은, 외국어 학습자의 단어 암기의 효율성과 효과를 증대시키는 방법을 제안한다.
또한, 본 명세서의 목적은, 외국어 학습자의 지식 추적을 통해, 학습된 AI 모델이 외국어 학습자에게 정확한 단어를 추천하는 방법을 제안한다.
본 명세서가 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 이하의 명세서의 상세한 설명으로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서의 일 양상은, 서버가 사용자에게 단어를 추천하는 방법에 있어서, 네트워크로부터 학습 데이터를 수신하고, 상기 학습 데이터를 이용하여, AI 모델을 학습시키는 단계; 상기 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성하는 단계; (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력하는 단계; 및 상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력하는 단계; 를 포함할 수 있다.
또한, 상기 AI 모델은 (1) 상기 사용자 임베딩 벡터를 생성하기 위한 사용자 임베딩 모델 및 (2) 상기 단어 임베딩 벡터를 생성하기 위한 단어 임베딩 모델을 포함할 수 있다.
또한, (1) 상기 사용자 임베딩 모델 및 (2) 상기 단어 임베딩 모델은
서로 가장 가까이 위치한 (1) 상기 사용자 벡터 및 (2) 상기 단어 벡터를 인코딩하도록 최적화될 수 있다.
또한, 상기 함수는 (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터의 근접성에 근거하여, 상기 결과값을 출력할 수 있다.
또한, 상기 함수는 다음의 수학식:
Figure 112021070863450-pat00001
에 근거하여 상기 결과값을 출력하며, 상기 u는 상기 사용자 벡터, 상기 v는 상기 단어 벡터 및 상기
Figure 112021070863450-pat00002
는 상기 결과값을 지시할 수 있다.
또한, 상기 결과값에 근거하여, 상기 사용자의 단말로, 추천 단어 정보를 전달할 수 있다.
또한, 상기 학습 데이터는 하나 이상의 사용자가 학습을 위한 단어장에 추가한 단어의 정보를 포함할 수 있다.
본 명세서의 또 다른 일 양상은 사용자에게 단어를 추천하는 서버에 있어서, 통신모듈(communication module); 메모리; 프로세서를 포함하고, 상기 프로세서는 상기 통신 모듈을 통해, 네트워크로부터 학습 데이터를 수신하고, 상기 학습 데이터를 이용하여, AI 모델을 학습시키며, 상기 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성하고, (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력하며, 상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력할 수 있다.
본 명세서의 실시예에 따르면, 외국어 학습자의 단어 암기의 효율성과 효과를 증대킬 수 있다.
또한, 본 명세서의 실시예에 따르면, 외국어 학습자의 지식 추적을 통해, 학습된 AI 모델이 외국어 학습자에게 정확한 단어를 추천할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 3은 본 명세서가 적용될 수 있는 단어 추천 알고리즘의 예시이다.
도 4는 본 명세서가 적용될 수 있는 일 실시예이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 명세서와 관련된 전자 기기를 설명하기 위한 블록도이다.
상기 전자 기기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 1에 도시된 구성요소들은 전자 기기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 전자 기기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 전자 기기(100)와 무선 통신 시스템 사이, 전자 기기(100)와 다른 전자 기기(100) 사이, 또는 전자 기기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 전자 기기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
센싱부(140)는 전자 기기 내 정보, 전자 기기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 전자 기기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 전자 기기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 전자 기기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
인터페이스부(160)는 전자 기기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 전자 기기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
또한, 메모리(170)는 전자 기기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 전자 기기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 전자 기기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 전자 기기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 전자 기기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 전자 기기(100) 상에 설치되어, 제어부(180)에 의하여 상기 전자 기기의 동작(또는 기능)을 수행하도록 구동될 수 있다.
제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 전자 기기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 전자 기기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가받아 전자 기기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리가 될 수 있다.
상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 전자 기기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 전자 기기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 전자 기기 상에서 구현될 수 있다.
본 명세서에서 전자기기(100)는 단말로 통칭될 수 있다.
도 2는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 1에 도시된 전자기기(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 AI 모델을 학습할 수 있다. 특히, AI 프로세서(21)는 단어 학습을 위한 데이터를 인식하기 위해, AI 모델을 학습할 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 AI 프로세서(21)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델)을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 예를 들어, 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 다른 단말, 서버를 포함할 수 있다.
한편, 도 2에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있다.
단어를 외우는 것은 사용자가 제2 외국어를 공부하는 데 있어서, 사용자에게 가장 힘든 부분중 하나이다. 본 명세서는 사용자가 보다 편리하게 단어를 학습할 수 있는 딥러닝 기반의 추천 시스템을 제안한다.
도 3은 본 명세서가 적용될 수 있는 단어 추천 알고리즘의 예시이다.
도 3을 참조하면, 예를 들어, 서버는 토익을 준비하는 1만 명 이상의 영어 L2 학습자에게 실시간 제공되는 지능형 튜터링 시스템(ITS, Intelligent Tutoring System)에서 데이터를 수집할 수 있다. 보다 자세하게, 지능형 튜터링 시스템에서 제공하는 웹 및/또는 모바일 앱 사용자는 토익 읽기 및/또는 듣기 문제를 공부할 수 있다. 사용자는 풀었던 각 질문들에 대해, 전체 구절(또는 듣기 질문의 스크립트)을 검토하고 모르는 단어를 표시하며, 단어장에 추가할 수 있다.
이 경우, 서버는 사용자가 단어장에 추가한 단어들을 상기 사용자가 모르는 단어로 가정하고, 사용자 별로 사용자가 모르는 단어들의 데이터들을 이용하여, 탑재된 AI 모델을 학습시킬 수 있다.
다음의 표 1은 본 명세서가 적용될 수 있는 AI 모델 학습 데이터의 예시이다.
Index User_id Word Marked
1 1 Throne 1
2 1 Abdicate 1
3 1 Monarch 0
4 2 Entrepreneur 1
5 3 kingdom 0
... ... ... ...
표 1을 참조하면, 서버는 사용자별로 사용자가 단어장에 추가한 단어들의 정보를 이용하여, AI 모델을 학습시킬 수 있다. 예를 들어, 서버는 사용자가 아는 단어 또는 모르는 단어가 marking 된(예들 들어, '1'은 모르는 단어, '0'은 아는 단어), 학습 데이터를 생성할 수 있고, 생성된 학습 데이터를 이용하여, AI 모델은 사용자 별로 아는 단어 및 모르는 단어를 학습할 수 있다.AI 모델은 사용자가 모르는 단어를 예측하기 위한 협업 필터링 모델(collaborative filtering model)을 포함할 수 있다. 예를 들어, 서버는 협업 필터링 모델에 user
Figure 112021070863450-pat00003
(예를 들어, 사용자의 ID, 사용자의 히스토리 정보(예를 들어, 사용자가 단어장에 단어를 추가하였는 지 여부, 당해 사용자 단어장에 포함된 단어를 맞춘 정보)), word
Figure 112021070863450-pat00004
(예를 들어, 단어 정보), 및 이와 관련된 label
Figure 112021070863450-pat00005
를 입력할 수 있다. 출력되는 예측값
Figure 112021070863450-pat00006
를 획득하기 위해, 협업 필터링 모델의 프레임 워크는 사용자 임베딩 모델(310), 단어 임베딩 모델(예를 들어, word2vec)(320), 및 사용자(U) 및 단어(V) 임베딩 벡터를 이용하는 임의 유사성 스코어링 함수(arbitrary similarity scoring function)(f)(330)를 포함하여 구성될 수 있다.
이러한 사용자 임베딩 모델과 단어 임베딩 모델은 AI 모델(예를 들어, 딥러닝 모델을 베이스로 하는 AI 모델)로 대체될 수 있다.
다음의 수학식 1은 본 명세서가 적용될 수 있는 임의 유사성 스코어링 함수(330)의 예시이다.
Figure 112021070863450-pat00007
수학식 1을 참조하면, 여기서 임의 유사성 스코어링 함수(330)의"유사성"은 user-word joint embedding space에서 사용자 임베딩 벡터 및 단어 임베딩 벡터(u,v)의 근접성을 의미할 수 있다. 따라서, 전술한 임베딩 모델(U and V)은 서로 가장 가까이 있는 사용자 및 단어 벡터를 인코딩하도록 최적화될 수 있다. 예를 들어, 임베딩 모델은 사용자의 지식 상태(예를 들어, 단어 습득 상태)를 고려하여, 사용자에게 가장 교육적 가치를 줄 수 있는 단어와 유사한 벡터를 고려할 수 있다.
다시, 수학식 1을 참조하면, U와 V는 각각 사용자 및 단어 임베딩 모델의 훈련 가능한 매개 변수이이며, 훈련된 단어 임베딩 모델은 V로 초기화 될 수 있다.
또한,
Figure 112021070863450-pat00008
는 시그모이드 함수(Sigmoid function) 일 수 있다. 협업 필터링 모델의 트레이닝 목표는
Figure 112021070863450-pat00009
와
Figure 112021070863450-pat00010
의 binary cross entropy를 최소화하는 데에 있다. 기존 모델(예를 들어, MF, Matrix Factorization)에서, f는 단순한 dot product operation일 수 있다. 따라서, 수학식 1의 (2)는
Figure 112021070863450-pat00011
가 될 수 있다. 다만, 이후 모델(예를 들어, NCF, Neural Collaborative Filtering)에서, f는 u와 v를 입력값(concatenation)으로 사용하는 multi-layer perceptron network 일 수 있다.
다시 도 3을 참조하면, 사용자 임베딩 모델(310)과 단어 임베딩 모델(320)은 적절한 사용자 벡터 및 단어 벡터를 생성할 수 있다. 생성된 사용자 벡터 및 단어 벡터는 사용자 i가 단어 j를 알고 있는 지 여부를 예측할 수 있는 f 함수에 입력될 수 있으며, 예를 들어, f 함수는 사용자 i가 단어 j를 알고 있다고 예측되는 경우, 0 값을 출력하고, 사용자 i가 단어 j를 모른다고 예측되는 경우, 1 값을 출력할 수 있다.
전술한 서버의 동작은 사용자 단말에 설치된 별도의 어플리케이션을 통해, 사용자 단말에서 수행될 수 있다.
이를 통해, 본 명세서에서 제안되는 방법은 단어 암기의 효율성과 효과 모두를 크게 증가시킬 수 있으며, 서버는 사용자의 지식 추적을 통해, 학습된 AI 모델을 이용하여, 사용자에게 추천되는 단어의 정확도를 높힐 수 있다.
도 4는 본 명세서가 적용될 수 있는 일 실시예이다.
도 4를 참조하면, 서버는 네트워크로부터, 학습 데이터를 수신하고, 학습 데이터를 이용하여, AI 모델을 학습시킨다(S410). 예를 들어, 네트워크는 전술한 ITS를 포함할 수 있으며, 학습 데이터는 하나 이상의 사용자가 학습을 위한 단어장에 추가한 단어의 정보를 포함할 수 있다. 보다 자세하게, 학습 데이터는 인덱스, 사용자 식별자, 단어 및 marking 여부에 관한 데이터를 포함할 수 있다. AI 모델은 사용자 별로 사용자가 모르는 단어들의 데이터들을 학습할 수 있다.
서버는 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성한다(S420). 예를 들어, AI 모델은 (1) 사용자 임베딩 벡터를 생성하기 위한 사용자 임베딩 모델 및 (2) 단어 임베딩 벡터를 생성하기 위한 단어 임베딩 모델을 포함할 수 있다. 또한, 서버는 (1) 사용자 임베딩 모델 및 (2) 단어 임베딩 모델을 서로 가장 가까이 위치한 (1) 사용자 벡터 및 (2) 단어 벡터가 인코딩 될 수 있도록 최적화시킬 수 있다.
서버는 (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력한다(S430). 예를 들어, 함수(f)는 (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터의 근접성에 근거하여, 상기 결과값을 출력할 수 있으며, 전술한 수학식 1에 근거하여, 결과값을 출력할 수 있다. 보다 자세하게, 수학식 1에서 u는 상기 사용자 벡터, v는 상기 단어 벡터 및
Figure 112021070863450-pat00012
는 상기 결과값을 지시할 수 있다.
서버는 상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력한다(S440). 예를 들어, AI 모델은 사용자 임베딩 모델 및 단어 임베딩 모델을 포함할 수 있다. 보다 자세하게, 새로운 사용자 벡터는 사용자 임베딩 모델에 입력될 수 있고, 사용자 임베딩 모델은 임의 유사성 스코어링 함수에 입력하기 위한, 사용자 임베딩 벡터를 출력할 수 있다. 또한, 단어 벡터는 단어 임베딩 모델에 입력될 수 있고, 단어 임베딩 모델은 임의 유사성 스코어링 함수에 입력하기 위한 단어 임베딩 벡터를 출력할 수 있다.
예를 들어, 임의 유사성 스코어링 함수는 새로운 사용자가 당해 단어를 아는 경우, '0', 모르는 경우, '1'을 출력함으로써 서버는 새로운 사용자가 당해 단어를 아는 지 여부를 판단할 수 있다.
서버는 결과값에 근거하여, 사용자의 단말로 추천 단어 정보를 전달할 수 있다(S450). 예를 들어, 추천 단어 정보는 사용자가 모르는 단어로 예측된 단어를 포함할 수 있다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 명세서를 한정하는 것이 아니며, 본 명세서가 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 명세서의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (9)

  1. 서버가 사용자에게 단어를 추천하는 방법에 있어서,
    네트워크로부터 학습 데이터를 수신하고, 상기 학습 데이터를 이용하여, AI 모델을 학습시키는 단계;
    상기 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성하는 단계;
    (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력하는 단계; 및
    상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력하는 단계;
    를 포함하며,
    상기 AI 모델은
    (1) 상기 사용자의 임베딩 벡터를 생성하기 위한 사용자 임베딩 모델, (2) 단어 정보와 관련된 단어의 임베딩 벡터를 생성하기 위한 단어 임베딩 모델 및 (3) 상기 함수를 포함하며,
    상기 함수는
    상기 단어 임베딩 모델에서 획득된 단어 임베딩 벡터 간의 유사성을 판단하는 임의 유사성 스코어링(arbitrary similarity scoring function) 함수인, 단어 추천 방법.
  2. 삭제
  3. 제1항에 있어서,
    (1) 상기 사용자 임베딩 모델 및 (2) 상기 단어 임베딩 모델은
    서로 가장 가까이 위치한 (1) 상기 사용자 벡터 및 (2) 상기 단어 벡터를 인코딩하도록 최적화된, 단어 추천 방법.
  4. 제3항에 있어서,
    상기 함수는
    (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터의 근접성에 근거하여, 상기 결과값을 출력하는, 단어 추천 방법.
  5. 제4항에 있어서,
    상기 함수는 다음의 수학식:
    Figure 112021070863450-pat00013
    에 근거하여 상기 결과값을 출력하며, 상기 u는 상기 사용자 벡터, 상기 v는 상기 단어 벡터 및 상기
    Figure 112021070863450-pat00014
    는 상기 결과값을 지시하는, 단어 추천 방법.
  6. 제1항에 있어서,
    상기 결과값에 근거하여, 상기 사용자의 단말로, 추천 단어 정보를 전달하는 단계;
    를 더 포함하는, 단어 추천 방법.
  7. 제6항에 있어서,
    상기 학습 데이터는
    하나 이상의 사용자가 학습을 위한 단어장에 추가한 단어의 정보를 포함하는, 단어 추천 방법.
  8. 사용자에게 단어를 추천하는 서버에 있어서,
    통신모듈(communication module);
    메모리;
    프로세서를 포함하고,
    상기 프로세서는
    상기 통신 모듈을 통해, 네트워크로부터 학습 데이터를 수신하고, 상기 학습 데이터를 이용하여, AI 모델을 학습시키며,
    상기 학습된 AI 모델에 근거하여, 상기 AI 모델에 (1) 사용자 벡터 및 (2) 단어 벡터를 입력하고, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 (1) 사용자 임베딩 벡터 및 (2) 단어 임베딩 벡터를 생성하고,
    (1) 상기 사용자 임베딩 벡터 및 (2) 상기 단어 임베딩 벡터를 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 판단하기 위한 함수에 입력하며,
    상기 함수로부터, 상기 사용자가 상기 단어 벡터와 관련된 단어를 아는지 여부를 예측하기 위한 결과값을 출력하며,
    상기 AI 모델은
    (1) 상기 사용자의 임베딩 벡터를 생성하기 위한 사용자 임베딩 모델, (2) 단어 정보와 관련된 단어의 임베딩 벡터를 생성하기 위한 단어 임베딩 모델 및 (3) 상기 함수를 포함하며,
    상기 함수는
    상기 단어 임베딩 모델에서 획득된 단어 임베딩 벡터 간의 유사성을 판단하는 임의 유사성 스코어링(arbitrary similarity scoring function) 함수인, 서버.

  9. 제8항에 있어서,
    상기 프로세서는
    상기 통신 모듈을 통해, 상기 결과값에 근거하여, 상기 사용자의 단말로, 추천 단어 정보를 전달하는, 서버

KR1020210079781A 2021-06-21 2021-06-21 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템 KR102388909B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210079781A KR102388909B1 (ko) 2021-06-21 2021-06-21 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템
PCT/KR2022/008688 WO2022270840A1 (ko) 2021-06-21 2022-06-20 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템
US17/845,351 US20220406217A1 (en) 2021-06-21 2022-06-21 Deep learning-based pedagogical word recommendation system for predicting and improving vocabulary skills of foreign language learners

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210079781A KR102388909B1 (ko) 2021-06-21 2021-06-21 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템

Publications (1)

Publication Number Publication Date
KR102388909B1 true KR102388909B1 (ko) 2022-04-21

Family

ID=81437260

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210079781A KR102388909B1 (ko) 2021-06-21 2021-06-21 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템

Country Status (3)

Country Link
US (1) US20220406217A1 (ko)
KR (1) KR102388909B1 (ko)
WO (1) WO2022270840A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022270840A1 (ko) * 2021-06-21 2022-12-29 (주)뤼이드 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101797365B1 (ko) * 2016-06-15 2017-11-15 울산대학교 산학협력단 어휘 의미망을 이용한 단어 의미 임베딩 장치 및 방법
KR20190139080A (ko) * 2018-06-07 2019-12-17 (주)제로엑스플로우 목표달성을 위한 개인화커리큘럼제공장치 및 방법
KR102075936B1 (ko) * 2019-08-21 2020-03-02 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR102213476B1 (ko) * 2020-06-09 2021-02-08 (주)뤼이드 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210012730A (ko) * 2019-07-26 2021-02-03 삼성전자주식회사 인공지능 모델의 학습 방법 및 전자 장치
KR102388909B1 (ko) * 2021-06-21 2022-04-21 (주)뤼이드 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101797365B1 (ko) * 2016-06-15 2017-11-15 울산대학교 산학협력단 어휘 의미망을 이용한 단어 의미 임베딩 장치 및 방법
KR20190139080A (ko) * 2018-06-07 2019-12-17 (주)제로엑스플로우 목표달성을 위한 개인화커리큘럼제공장치 및 방법
KR102075936B1 (ko) * 2019-08-21 2020-03-02 (주)뤼이드 학습 효율을 기반으로 개인 맞춤형 교육 컨텐츠를 제공하기 위한 기계학습 방법, 장치 및 컴퓨터 프로그램
KR102213476B1 (ko) * 2020-06-09 2021-02-08 (주)뤼이드 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022270840A1 (ko) * 2021-06-21 2022-12-29 (주)뤼이드 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템

Also Published As

Publication number Publication date
US20220406217A1 (en) 2022-12-22
WO2022270840A1 (ko) 2022-12-29

Similar Documents

Publication Publication Date Title
US20210264227A1 (en) Method for locating image region, model training method, and related apparatus
KR102416852B1 (ko) 시험 점수를 예측하는 방법 및 장치
KR102040400B1 (ko) 머신러닝을 이용한 사용자 맞춤형 문제 제공 시스템 및 방법
US20110285634A1 (en) Portable data entry device
KR102436549B1 (ko) 딥러닝을 이용한 자연어처리 기반의 faq 및 챗봇을 위한 학습데이터를 자동으로 생성하기 위한 방법 및 이를 위한 장치
KR102388909B1 (ko) 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템
CN115205883A (zh) 基于ocr和nlp的资料审核方法、装置、设备、存储介质
KR102445226B1 (ko) 지식 추적을 위한 모델 경량화 방법
CN109272983A (zh) 用于亲子教育的双语切换装置
KR102396981B1 (ko) 인공지능 모델을 사전 학습시키는 방법 및 장치
US20220406216A1 (en) Deep learning-based pedagogical word recommendation method for predicting and improving vocabulary skills of foreign language learners
CN112100390B (zh) 基于场景的文本分类模型、文本分类方法及装置
KR102396078B1 (ko) 사용자 평가를 위한 진단고사 추천방법
CN209625781U (zh) 用于亲子教育的双语切换装置
KR102411190B1 (ko) 다중과제 학습에 근거하는 전체론적 학생 평가 프레임워크
US20230122639A1 (en) Method of reducing size of model for knowledge tracing
KR102376625B1 (ko) 한글의 조합형 문자 특징을 이용한 학습모델의 구현 및 인공지능 채점을 위한 방법
US20210311986A1 (en) System and method for judging situation of object and program
KR102681147B1 (ko) 검색 증강 생성을 통한 인공지능 챗봇 사용자 의도에 적합한 답변 생성을 구현하기 위한 방법 및 장치
US20240232524A1 (en) Method of improving performance of mathematics-related artificial intelligence model and expanding ease of search using mathematical reading technology
KR102516701B1 (ko) 오답 노트 생성 장치
US20240169249A1 (en) Method and apparatus for pre-training artificial intelligence models
KR102571824B1 (ko) 점수 예측 모델의 피팅방법
KR102652643B1 (ko) 오디오 음질 변환 장치 및 그의 제어방법
CN114550185B (zh) 一种文档生成的方法、相关装置、设备以及存储介质

Legal Events

Date Code Title Description
GRNT Written decision to grant