KR102410825B1 - 문장의 도메인 판단 방법 및 장치 - Google Patents

문장의 도메인 판단 방법 및 장치 Download PDF

Info

Publication number
KR102410825B1
KR102410825B1 KR1020170102960A KR20170102960A KR102410825B1 KR 102410825 B1 KR102410825 B1 KR 102410825B1 KR 1020170102960 A KR1020170102960 A KR 1020170102960A KR 20170102960 A KR20170102960 A KR 20170102960A KR 102410825 B1 KR102410825 B1 KR 102410825B1
Authority
KR
South Korea
Prior art keywords
domain
sentence
feature
auto
encoder
Prior art date
Application number
KR1020170102960A
Other languages
English (en)
Other versions
KR20190018246A (ko
Inventor
민윤홍
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170102960A priority Critical patent/KR102410825B1/ko
Priority to US15/824,743 priority patent/US10528666B2/en
Priority to EP17208856.9A priority patent/EP3444726A1/en
Priority to JP2018042977A priority patent/JP7094121B2/ja
Priority to CN201810295802.8A priority patent/CN109388797B/zh
Publication of KR20190018246A publication Critical patent/KR20190018246A/ko
Application granted granted Critical
Publication of KR102410825B1 publication Critical patent/KR102410825B1/ko

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
    • G06F40/279—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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F40/30—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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

문장의 도메인 판단 방법 및 장치가 개시된다. 일실시예에 따른 문장의 도메인 판단 장치는 오토 인코더를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성하고, 임베디드 특징들이 분포하는 임베딩 공간 상 상기 임베디드 특징의 위치에 기초하여, 상기 입력 문장의 도메인을 판단할 수 있다.

Description

문장의 도메인 판단 방법 및 장치{METHOD AND APPARATUS FOR DETERMINING DOMAIN OF SENTENCE}
아래 실시예들은 문장의 도메인 판단에 관한 기술이다.
입력된 문장이 현재 관심 있는 작업(task)과 관련이 있는지 구분하는 것은 언어 기반의 인식 시스템에서 중요하다. 문장의 도메인을 판단하거나 비 도메인 문장(out-of-domain sentence)을 검출하는 기법들이 제안되고 있다.
비 도메인 문장 검출 기법에서 도메인 문장(in-domain sentence)과 비 도메인 문장을 구분하기 위한 임계치가 채용되는 경우, 학습 시 마다 새로운 임계치를 도출해야 하는 비효율이 발생할 수 있다. 비 도메인 문장 검출 기법에서 도메인 문장과 비 도메인 문장을 명시적으로 구분하는 원리가 채용되지 않은 경우, 데이터에 따라 도메인 판단의 성능의 편차가 커질 수 있다. 이에, 학습의 효율을 개선하고 도메인 판단의 성능을 높이기 위한 도메인 판단 기술이 요구된다.
일실시예에 따른 문장의 도메인 판단 방법은 오토 인코더를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성하는 단계; 및 임베디드 특징들이 분포하는 임베딩 공간 상 상기 임베디드 특징의 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 단계를 포함한다.
일실시예에 따르면, 상기 판단하는 단계는 상기 임베디드 특징의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 상기 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 오토 인코더는 비 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 미리 정의된 위치에 가까워지도록 학습되고, 상기 판단하는 단계는 상기 거리가 임계 거리보다 작은 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 판단하는 단계는 상기 거리가 상기 임계 거리보다 큰 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계; 상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및 상기 재구성 에러가 임계 에러보다 큰 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 오토 인코더는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 미리 정의된 위치에 가까워지도록 학습되고, 상기 판단하는 단계는 상기 거리가 임계 거리보다 큰 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 판단하는 단계는 상기 거리가 상기 임계 거리보다 작은 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계; 상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및 상기 재구성 에러가 임계 에러보다 작은 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 미리 정의된 위치는 상기 임베딩 공간 상의 원점일 수 있다.
일실시예에 따르면, 상기 도메인을 판단하는 단계는 상기 임베디드 특징의 위치 및 상기 미리 정의된 위치에 기초하여, Lp-norm 또는 KL-divergence(Kullback-Leibler divergence; KLD)를 계산하는 단계; 및 상기 계산 결과에 기초하여, 상기 임베디드 특징의 위치 및 상기 미리 정의된 위치 사이의 거리를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 판단하는 단계는 상기 오토 인코더를 이용하여, 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계; 상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및 상기 재구성 에러 및 상기 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 임베디드 특징은 상기 오토 인코더 내 히든 레이어의 활성화 값(activation value) 또는 사전-활성화 값(pre-activation value)일 수 있다.
일실시예에 따르면, 상기 입력 특징은 상기 입력 문장으로부터 뉴럴 네트워크에 의해 생성된 임베디드 특징일 수 있다.
일실시예에 따르면, 상기 판단하는 단계는 미리 정의된 도메인들에 각각 대응하는 미리 정의된 위치들과 상기 위치에 기초하여, 상기 도메인들 중 상기 입력 문장이 속하는 도메인을 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 오토 인코더는 상기 도메인들에 각각 속하는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 위치들에 각각 가까워지도록 학습되고, 상기 입력 문장이 속하는 도메인을 판단하는 단계는 상기 위치들 중 상기 위치와 가장 가까운 제2 위치를 식별하는 단계; 및 상기 위치와 상기 제2 위치 사이의 거리가 임계 거리보다 작은지 여부에 기초하여, 상기 입력 문장이 상기 제2 위치에 대응하는 제2 도메인에 속하는 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 입력 문장이 상기 제2 도메인에 속하는 것으로 판단하는 단계는 상기 거리가 상기 임계 거리보다 작은 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계; 상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및 상기 재구성 에러가 임계 에러보다 작은 경우, 상기 입력 문장이 비 도메인 문장-상기 비 도메인 문장은 상기 도메인들에 속하지 않는 문장임-인 것으로 판단하는 단계를 포함할 수 있다.
일실시예에 따른 문장의 도메인 판단을 위한 학습 방법은 트레이닝 문장을 표현하는 트레이닝 특징을 오토 인코더에 인가하는 단계; 및 상기 트레이닝 특징으로부터 생성된 임베디드 특징의 위치가 임베딩 공간-상기 임베딩 공간에는 임베디드 특징들이 분포함- 상의 미리 정의된 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계를 포함한다.
일실시예에 따르면, 상기 오토 인코더에 인가하는 단계는 도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및 비 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계를 포함하고, 상기 오토 인코더를 학습시키는 단계는 상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징을 획득하는 단계; 상기 제1 임베디드 특징으로부터 생성된 재구성 특징과 상기 제1 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계; 및 상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징의 위치가 상기 임베딩 공간 상의 제2 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 오토 인코더에 인가하는 단계는 도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및 비 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계를 포함하고, 상기 오토 인코더를 학습시키는 단계는 상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징의 위치가 상기 임베딩 공간 상의 제1 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계; 상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징을 획득하는 단계; 및 상기 제2 임베디드 특징으로부터 생성된 재구성 특징과 상기 제2 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 오토 인코더에 인가하는 단계는 제1 도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 제2 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및 비 도메인 문장-상기 비 도메인 문장은 도메인들에 속하지 않는 문장임-을 표현하는 제3 트레이닝 특징을 상기 오토 인코더에 인가하는 단계를 포함하고, 상기 오토 인코더를 학습시키는 단계는 상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징의 위치가 상기 임베딩 공간 상의 제1 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계; 상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징의 위치가 상기 임베딩 공간 상의 제2 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계; 상기 제3 트레이닝 특징으로부터 생성된 제3 임베디드 특징을 획득하는 단계; 및 상기 제3 임베디드 특징으로부터 생성된 재구성 특징과 상기 제3 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계를 포함할 수 있다.
일실시예에 따른 문장의 도메인 판단 장치는 오토 인코더를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성하고, 임베디드 특징들이 분포하는 임베딩 공간 상 상기 임베디드 특징의 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 프로세서를 포함한다.
일실시예에 따른 문장의 도메인 판단을 위한 학습 장치는 트레이닝 문장을 표현하는 트레이닝 특징을 오토 인코더에 인가하고, 상기 트레이닝 특징으로부터 생성된 임베디드 특징의 위치가 임베딩 공간-상기 임베딩 공간에는 임베디드 특징들이 분포함- 상의 미리 정의된 위치에 가까워지도록 상기 오토 인코더를 학습시키는 프로세서를 포함한다.
도 1은 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 9는 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 도메인 판단 장치의 동작을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 도메인 판단 장치의 동작을 설명하기 위한 도면이다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 일실시예에 따른 문장의 도메인 판단 장치(이하, 도메인 판단 장치라 함)는 오토 인코더(auto encoder)를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성할 수 있다(101). 오토 인코더는 뉴럴 네트워크(neural network)의 일종으로서, 입력된 데이터의 차원(dimension)을 변환하여 효율적인 임베디드 데이터를 찾기 위한 뉴럴 네트워크이다. 예를 들어, 오토 인코더는 입력된 데이터의 차원 축소(dimension reduction)를 수행하여 임베디드 데이터를 생성할 수 있다. 일실시예에 따르면, 오토 인코더는 문장 또는 단어와 연관된 입력 데이터를 인코딩하여 임베디드 특징을 생성할 수 있다.
오토 인코더는 입력 레이어, 히든 레이어 및 출력 레이어를 포함하고, 여기서 입력 레이어의 노드 수와 출력 레이어의 노드 수는 같다. 입력 레이어로부터 히든 레이어로 노드들이 활성화되는 과정을 인코딩 또는 임베딩이라한다. 히든 레이어로부터 출력 레이어로 노드들이 활성화되는 과정을 디코딩 또는 재구성이라한다. 입력 레이어 -> 히든 레이어의 구조와 히든 레이어 -> 출력 레이어의 구조는 서로 대칭이다.
일실시예에 따른 오토 인코더는 입력 레이어의 노드 수에 대응하는 입력 특징을 인코딩하여 임베디드 특징을 생성하고, 임베디드 특징을 디코딩하여 재구성 특징을 생성할 수 있다. 재구성 특징은 오토 인코더의 출력 레이어의 노드 수에 대응하고, 임베디드 특징은 임베디드 특징을 생성하는 히든 레이어의 노드 수에 대응할 수 있다. 예를 들어, 입력 특징, 임베디드 특징 및 재구성 특징의 차원은 오토 인코더의 입력 레이어, 히든 레이어 및 출력 레이어에 의해 결정될 수 있고, 여기서 입력 특징과 재구성 특징의 차원은 서로 같다.
오토 인코더는 입력 문장을 표현하는 입력 특징으로부터 재구성 특징을 복원할 수 있다. 오토 인코더는 재구성 특징과 입력 특징이 서로 같아지도록 학습될 수 있고, 재구성 에러는 입력 특징과 재구성 특징 사이의 차이에 기초하여 정의될 수 있다. 재구성 에러가 작을수록 재구성 특징이 표현하는 재구성 문장과 입력 문장이 서로 같아지거나 유사해질 수 있다. 이하, 도 2를 참조하여 일실시예에 따른 임베디드 특징의 생성 동작을 설명한다.
도 2는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 도메인 판단 장치(201)는 오토 인코더(202)를 이용하여 입력 문장(203)을 표현하는 입력 특징(204)으로부터 임베디드 특징(205)을 생성할 수 있다. 이하에서 입력이 문장인 실시예에 관해 서술하지만, 입력 특징(204)은 문장뿐만 아니라 단어, 음소, 형태소, 발음 기호 단위, 구, 절 및 문단 등 설계 의도에 따라 다양한 형태로 정의 또는 설계된 데이터의 특징일 수 있고, 실시예는 이러한 데이터가 함축하는 정보의 유형을 제한하지 않는다.
도메인 판단 장치(201)는 오토 인코더(202)를 이용하여 문장의 도메인을 판단하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 조합으로 구현될 수 있다. 오토 인코더(202)는 문장의 도메인 판단에 적합하도록 미리 학습될 수 있고, 도메인 판단 장치(201)는 학습된 오토 인코더(202)를 이용하여 입력 문장(203)의 도메인을 판단할 수 있다. 도메인 판단 장치(201)는 오토 인코더(202)를 포함하거나 외부의 오토 인코더(202)를 이용할 수 있으며, 설계 의도에 따라 다양한 방식들로 구현될 수 있다. 오토 인코더(202)의 학습에 관한 내용은 도 6 내지 도 9를 참조하여 후술하겠다.
오토 인코더(202)에 의해 생성된 임베디드 특징(205)은 오토 인코더 내 히든 레이어(202)의 활성화 값(activation value) 또는 사전-활성화 값(pre-activation value)일 수 있으며, 벡터 또는 함수로 표현될 수 있다. 히든 레이어(202)의 사전-활성화 값은 히든 레이어(202)의 이전 레이어(211)의 활성화 값일 수 있다.
입력 문장(203)을 표현하는 입력 특징(204)은 오토 인코더(202) 내 입력 레이어에 대응하는 one hot 벡터, 실수 벡터, 또는 함수로 표현될 수 있고, 재구성 특징은 오토 인코더(202) 내 출력 레이어에 대응하는 one hot 벡터, 실수 벡터, 또는 함수로 표현될 수 있다. 일실시예에 다르면, 입력 특징(204)은 입력 문장(203)으로부터 뉴럴 네트워크에 의해 생성된 임베디드 특징일 수 있다. 도메인 판단 장치(201)는 뉴럴 네트워크에 의해 생성된 임베디드 특징을 오토 인코더(202)를 이용하여 인코딩할 수 있다. 이 경우, 임베디드 특징의 임베디드 특징이 생성될 수 있다. 일실시예에 따르면, 입력 특징(202)을 생성하는 뉴럴 네트워크 또는 오토 인코더는 CNN(Convolutional　Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory) 및 GRU(Gated Recurrent Unit) 중 적어도 하나에 의해 구현될 수 있다. 일실시예예 따르면, 입력 특징(202)을 생성하는 뉴럴 네트워크는 오토 인코더(202)와 결합되어 단대단(end-to-end) 방식으로 구현될 수 있고, 이 경우 입력 특징(202)을 생성하는 뉴럴 네트워크와 오토 인코더(202)는 단대단(end-to-end) 방식으로 학습될 수 있다. 다만, 입력 특징(202)을 생성하는 뉴럴 네트워크 또는 오토 인코더의 구조는 설계 의도에 따라 다양한 기법들이 채용되어 응용될 수 있다.
다시 도 1을 참조하면, 도메인 판단 장치는 임베디드 특징들이 분포하는 임베딩 공간 상 임베디드 특징의 위치에 기초하여 입력 문장의 도메인을 판단할 수 있다(102). 임베딩 공간은 임베디드 특징들이 분포하는 공간으로서, 임베디드 특징의 차원에 따라 임베디드 공간의 차원이 정의되거나 임베디드 특징을 정의하는 함수에 따라 임베디드 공간이 정의될 수 있다. 이하, 도 2를 참조하여 일실시예에 따른 도메인 판단 동작을 설명한다.
도 2를 참조하면, 도메인 판단 장치(201)는 문장의 도메인을 판단하기 위해 오토 인코더(202)에 의해 생성된 임베디드 특징(205)을 활용할 수 있는데, 여기서 오토 인코더(202)는 문장의 도메인 판단을 위해 미리 학습될 수 있다.
일실시예에 따르면, 도메인 판단 장치(201)는 임베딩 공간 상 임베디드 특징(205)의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 입력 문장(203)의 도메인을 판단할 수 있다. 도메인 판단 장치는 임베디드 특징(205)의 위치와 미리 정의된 위치에 기초하여 Lp-norm 또는 KL-divergence(Kullback-Leibler divergence; KLD)를 계산하고, 계산 결과에 기초하여 임베디드 특징(205)의 위치와 미리 정의된 위치 사이의 거리를 생성할 수 있다. 예를 들어, 도메인 판단 장치는 임베디드 특징(205)이 함수로 표현되는 경우 KL-divergence와 같은 다양한 divergence 측정 기법을 이용하여 거리를 계산할 수 있다. 도메인 판단 장치는 생성된 거리를 이용하여 입력 문장의 도메인을 판단할 수 있다. 거리를 계산하기 위한 기법에는 다양한 방식들이 채용될 수 있다.
일실시예에 따르면, 오토 인코더(202)는 임베딩 공간 상 임베디드 특징(205)의 위치에 의해 문장의 도메인 판단이 가능하도록 학습되기 때문에, 기 학습된 오토 인코더(202)를 이용하는 도메인 판단 장치(201)는 데이터에 따라 성능의 편차 없이 정확한 도메인 판단 결과를 생성할 수 있다. 또한, 도메인 판단 장치(201)는 임베디드 특징(205)을 분석하여 문장의 도메인을 판단하기 때문에, 도메인 판단 결과를 직접적으로 생성하는 뉴럴 네트워크와 달리 도메인 판단에 있어서 안정적인 성능을 나타낼 수 있다.
일실시예에 따르면, 도메인 판단 장치(201)는 입력 문장(203)의 도메인을 판단하기 위해 재구성 에러를 추가적으로 고려할 수 있다. 도메인 판단 장치(201)는 오토 인코더(202)를 이용하여 임베디드 특징(205)으로부터 재구성 특징을 생성할 수 있다. 도메인 판단 장치(201)는 입력 특징(204)과 재구성 특징에 기초하여 재구성 에러를 생성할 수 있다. 도메인 판단 장치(201)는 재구성 에러와 임베디드 특징(205)의 위치에 기초하여 입력 문장(203)의 도메인을 판단할 수 있다. 도메인 판단 장치(201)는 임베디드 특징(205)의 위치뿐만 아니라 재구성 에러도 고려하여, 도메인 판단의 정확도를 높일 수 있다. 재구성 에러는 입력 특징(204)과 재구성 특징 사이의 차이 또는 손실 함수(loss function)에 의해 정의될 수 있으며, 여기서 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있다. 재구성 에러를 정의하는 방식에는 다양한 기법들이 채용될 수 있다.
일실시예에 따르면, 도메인 판단 장치(201)는 언어 기반의 인식 시스템에서 인식의 전처리 단계로 활용될 수 있다. 언어 기반의 인식 시스템에서 문장의 분석이 수행되기 이전에, 도메인 판단 장치(201)는 문장의 도메인을 판단 또는 분류하여 데이터 처리의 효율을 높일 수 있다. 예를 들어, 분석의 대상이 되는 문장과 관련된 데이터 양이 방대한 경우, 도메인 판단 장치(201)는 문장의 도메인을 판단 또는 분류하여 분석의 대상을 분류하거나 줄일 수 있다.
일실시예에 따르면, 도메인 판단 장치(201)는 음성인식, 번역, 대화 시스템 등 문장을 이용한 학습 시스템에서 학습 데이터를 수집하는데 활용될 수 있다. 학습 데이터는 학습의 효율과 성능에 중요한 영향을 미치므로, 도메인 판단 장치(201)는 문장의 도메인을 판단 또는 분류하여 학습에 적합한 문장을 학습 시스템에 제공할 수 있다.
일실시예에 따르면, 도메인 판단 장치(201)는 임베딩 공간 상 임베디드 특징(205)의 위치를 분석하여, 입력 문장(203)이 도메인 문장(in-domain sentence) 또는 비 도메인 문장(out-of-domain sentence)인지 여부를 판단할 수 있다. 여기서, 도메인 문장은 특정 도메인에 속하는 문장을 의미하고, 비 도메인 문장은 특정 도메인에 속하지 않는 문장을 의미한다. 도메인 판단 장치(201)는 임베딩 공간 상 임베디드 특징(205)의 위치를 분석하여, 복수의 도메인들 중 입력 문장(203)이 속하는 도메인을 판단할 수도 있다. 예를 들어, 도메인 판단 장치(201)는 미리 정의된 도메인들 중에서 입력 문장(203)이 법률 도메인에 속하는 것으로 판단할 수 있다. 이하, 도 3 내지 도 5를 참조하여 일실시예에 따른 도메인 판단 동작을 설명한다.
도 3은 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 도메인 판단 장치는 임베딩 공간 상 임베디드 특징의 위치와 미리 정의된 위치(303) 사이의 관계에 기초하여, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단할 수 있다. 도 3에는 시각적인 설명을 위해 임베딩 공간이 3차원인 것처럼 도시되었지만 임베딩 공간은 임베디드 특징의 차원 또는 함수에 따라 정의될 수 있고, 이하 같다.
일실시예에 따르면, 오토 인코더는 비 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 미리 정의된 위치(303)에 가까워지도록 학습될 수 있다. 미리 정의된 위치는 설계 의도에 따라 다양하게 정의될 수 있고, 예를 들어 임베딩 공간 상의 원점으로 정의될 수 있다.
도메인 판단 장치는 임베디드 특징의 위치(301)와 미리 정의된 위치(303) 사이의 거리가 임계 거리보다 작은 경우, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 비 도메인 문장인 것으로 판단할 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(302)와 미리 정의된 위치(303) 사이의 거리가 임계 거리보다 큰 경우, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 도메인 문장인 것으로 판단할 수 있다. 임계 거리는 미리 정의되거나 학습에 의해 도출될 수 있다.
일실시예에 따르면, 도메인 판단 장치는 입력 문장의 도메인 판단을 위해 재구성 에러를 추가적으로 고려할 수 있다. 여기서, 오토 인코더는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들 및 재구성 특징들 사이의 재구성 에러들이 작아지도록 학습될 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(302)와 미리 정의된 위치(303) 사이의 거리가 임계 거리보다 큰 경우, 기 학습된 오토 인코더를 이용하여 임베디드 특징으로부터 재구성 특징을 생성하고, 입력 특징 및 재구성 특징에 기초하여 재구성 에러를 생성할 수 있다. 도메인 판단 장치는 재구성 에러가 임계 에러보다 큰 경우, 입력 문장이 비 도메인 문장인 것으로 판단할 수 있다. 여기서, 임계 에러는 미리 정의되거나 학습에 의해 도출될 수 있다.
도메인 판단 장치를 언어 인식 시스템의 전처리 단계에서 활용하고자 하는 경우, 도메인 문장을 비 도메인 문장으로 오판하는 것보다 비 도메인 문장을 도메인 문장으로 오판하는 것이 도메인 판단 성능에 더 치명적일 수 있다. 이 경우 입력 문장이 도메인 문장인 것으로 판단하는 동작을 보다 보수적으로 수행하도록 도메인 판단 장치를 구현할 필요가 있다. 이에, 임베디드 특징의 위치(302)가 미리 정의된 위치(303)로부터 멀리 떨어져 있을지라도, 도메인 판단 장치는 재구성 에러가 큰 경우 입력 문장이 비 도메인 문장인 것으로 판단하여 도메인 판단의 오류를 줄일 수 있다. 다만, 비 도메인 문장을 도메인 문장으로 오판하는 것보다 도메인 문장을 비 도메인 문장으로 오판하는 것이 더 치명적이라고 판단되는 경우에는 상술한 바와 반대로 도메인 판단 장치가 구현될 수 있다.
도 4는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 도메인 판단 장치는 임베딩 공간 상 임베디드 특징의 위치와 미리 정의된 위치(403) 사이의 관계에 기초하여, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단할 수 있다. 도메인 판단 장치는 미리 정의된 위치(403)와 가까운 임베디드 특징(401)과 미리 정의된 위치(403)로부터 멀리 떨어진 임베디드 특징(402)에 관해 도 3을 참조하여 설명된 실시예와 반대로 판단할 수 있다.
일실시예에 따르면, 오토 인코더는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 미리 정의된 위치(403)에 가까워지도록 학습될 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(402)와 미리 정의된 위치(403) 사이의 거리가 임계 거리보다 큰 경우, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 비 도메인 문장인 것으로 판단할 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(401)와 미리 정의된 위치(403) 사이의 거리가 임계 거리보다 작은 경우, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 도메인 문장인 것으로 판단할 수 있다.
상술한 바와 같이, 도메인 판단 장치는 입력 문장의 도메인 판단을 위해 재구성 에러를 추가적으로 고려할 수 있다. 여기서, 오토 인코더는 비 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들 및 재구성 특징들 사이의 재구성 에러들이 작아지도록 학습될 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(402)와 미리 정의된 위치(403) 사이의 거리가 임계 거리보다 작은 경우, 기 학습된 오토 인코더를 이용하여 임베디드 특징으로부터 재구성 특징을 생성하고, 입력 특징 및 재구성 특징에 기초하여 재구성 에러를 생성할 수 있다. 도메인 판단 장치는 재구성 에러가 임계 에러보다 작은 경우, 입력 문장이 비 도메인 문장인 것으로 판단할 수 있다. 이에, 임베디드 특징의 위치(401)가 미리 정의된 위치(403)와 가까울지라도, 도메인 판단 장치는 재구성 에러가 작은 경우 입력 문장이 비 도메인 문장인 것으로 판단하여 도메인 판단의 오류를 줄일 수 있다.
도 5는 일실시예에 따른 문장의 도메인 판단 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 도메인 판단 장치는 임베딩 공간 상 임베디드 특징의 위치와 미리 정의된 도메인들(제1 도메인, 제2 도메인 및 제3 도메인)에 각각 대응하는 미리 정의된 위치들(504, 505 및 506) 사이의 관계에 기초하여, 미리 정의된 도메인들(제1 도메인, 제2 도메인 및 제3 도메인) 중 입력 문장이 속하는 도메인을 판단할 수 있다. 도 3 및 도 4를 참조하여 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 문장인지를 판단하는 실시예가 설명되었지만, 도메인 판단 장치는 복수의 도메인들 중 입력 문장이 속하는 도메인을 판단할 수도 있다.
일실시예에 따르면, 오토 인코더는 도메인들(제1 도메인, 제2 도메인 및 제3 도메인)에 각각 속하는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 미리 정의된 위치들(504, 505 및 506)에 각각 가까워지도록 학습될 수 있다. 도메인 판단 장치는 위치들(504, 505 및 506) 중 임베디드 특징의 위치(502)와 가장 가까운 위치(505)를 식별하고, 임베디드 특징의 위치(502)와 식별된 위치(505) 사이의 거리가 임계 거리보다 작은 경우, 입력 문장이 위치(505)에 대응하는 도메인(제2 도메인)에 속하는 것으로 판단할 수 있다. 마찬가지로, 도메인 판단 장치는 임베디드 특징의 위치(501)에 대응하는 입력 문장이 위치(504)에 대응하는 도메인(제1 도메인)에 속하는 것으로 판단하고, 임베디드 특징의 위치(503)에 대응하는 입력 문장이 위치(506)에 대응하는 도메인(제3 도메인)에 속하는 것으로 판단할 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(507) 및 위치(507)와 가장 가까운 위치 사이의 거리가 임계 거리보다 큰 경우, 임베디드 특징의 위치(507)에 대응하는 입력 문장이 비 도메인 문장인 것으로 판단할 수 있다. 여기서, 비 도메인 문장은 도메인들(제1 도메인, 제2 도메인 및 제3 도메인) 중 어디에도 속하지 않는 문장일 수 있다.
상술한 바와 같이, 도메인 판단 장치는 입력 문장의 도메인 판단을 위해 재구성 에러를 추가적으로 고려할 수 있다. 여기서, 오토 인코더는 비 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들 및 재구성 특징들 사이의 재구성 에러들이 작아지도록 학습될 수 있다. 도메인 판단 장치는 임베디드 특징의 위치(502)와 미리 정의된 위치(505) 사이의 거리가 임계 거리보다 작은 경우, 기 학습된 오토 인코더를 이용하여 임베디드 특징으로부터 재구성 특징을 생성하고, 입력 특징 및 재구성 특징에 기초하여 재구성 에러를 생성할 수 있다. 도메인 판단 장치는 재구성 에러가 임계 에러보다 작은 경우, 입력 문장이 비 도메인 문장인 것으로 판단할 수 있다. 이에, 임베디드 특징의 위치(502)가 미리 정의된 위치(505)와 가까울지라도, 도메인 판단 장치는 재구성 에러가 작은 경우 입력 문장이 비 도메인 문장인 것으로 판단하여 도메인 판단의 오류를 줄일 수 있다.
도 6은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 순서도이다.
도 6을 참조하면, 문장의 도메인 판단을 위한 학습 장치(이하, 도메인 판단 학습 장치라 함)는 트레이닝 문장을 표현하는 트레이닝 특징을 오토 인코더에 인가할 수 있다(601). 도메인 판단 학습 장치는 도메인 판단을 위해 오토 인코더를 학습시키는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈, 또는 이들의 조합으로 구현될 수 있다. 트레이닝 특징은 오토 인코더를 학습시키기 위한 데이터로서, 오토 인코더의 입력 레이어에 대응하는 벡터 또는 함수로 설계될 수 있다.
도메인 판단 학습 장치는 트레이닝 특징으로부터 생성된 임베디드 특징의 위치가 임베딩 공간 상의 미리 정의된 위치에 가까워지도록 오토 인코더를 학습시킬 수 있다(602). 도메인 판단 학습 장치는 다양한 학습 기법들을 이용하여 오토 인코더 내 노드들 사이의 가중치들을 최적화할 수 있고, 실시예는 특정 학습 기법에 제한되지 않는다. 이하, 도 3 내지 도 5를 참조하여 설명된 도메인 판단 방법들을 위한 각각의 학습 방법들을 도 7 내지 도 9를 참조하여 후술하겠다.
도 7은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 도메인 판단 학습 장치는 도메인 문장들(702)을 표현하는 제1 트레이닝 특징들(704)을 오토 인코더(701)에 인가할 수 있다. 도메인 판단 학습 장치는 비 도메인 문장들(703)을 표현하는 제2 트레이닝 특징들(705)을 오토 인코더(701)에 인가할 수 있다.
도메인 판단 학습 장치는 제1 트레이닝 특징들(704)로부터 오토 인코더(701)에 의해 생성된 제1 임베디드 특징들(706)을 획득할 수 있다. 도메인 판단 학습 장치는 제1 트레이닝 특징들(704)로부터 오토 인코더(701)에 의해 생성된 재구성 특징들을 획득할 수 있다. 도메인 판단 학습 장치는 제1 임베디드 특징들(706)로부터 생성된 재구성 특징들과 제1 트레이닝 특징들(704) 사이의 재구성 에러들(707)이 작아지도록 오토 인코더(701)를 학습시킬 수 있다.
도메인 판단 학습 장치는 제2 트레이닝 특징들(705)로부터 오토 인코더(701)에 의해 생성된 제2 임베디드 특징들(708)을 획득할 수 있다. 도메인 판단 학습 장치는 제2 임베디드 특징들(708)의 위치들이 임베딩 공간 상의 미리 정의된 위치에 가까워지도록 오토 인코더(701)를 학습시킬 수 있다.
도 8은 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 8을 참조하면, 도메인 판단 학습 장치는 도메인 문장들(802)을 표현하는 제1 트레이닝 특징들(804)을 오토 인코더(801)에 인가할 수 있다. 도메인 판단 학습 장치는 비 도메인 문장들(803)을 표현하는 제2 트레이닝 특징들(805)을 오토 인코더(801)에 인가할 수 있다. 도메인 판단 학습 장치는 임베딩 공간 상 미리 정의된 위치와 가까운 임베디드 특징과 미리 정의된 위치로부터 멀리 떨어진 임베디드 특징에 관해 도 7을 참조하여 설명된 실시예와 반대로 오토 인코더를 학습시킬 수 있다.
도메인 판단 학습 장치는 제1 트레이닝 특징들(804)로부터 오토 인코더(801)에 의해 생성된 제1 임베디드 특징들(806)을 획득할 수 있다. 도메인 판단 학습 장치는 제1 임베디드 특징들(806)의 위치들이 임베딩 공간 상의 미리 정의된 위치에 가까워지도록 오토 인코더(801)를 학습시킬 수 있다.
도메인 판단 학습 장치는 제2 트레이닝 특징들(805)로부터 오토 인코더(801)에 의해 생성된 제2 임베디드 특징들(807)을 획득할 수 있다. 도메인 판단 학습 장치는 제2 트레이닝 특징들(805)로부터 오토 인코더(801)에 의해 생성된 재구성 특징들을 획득할 수 있다. 도메인 판단 학습 장치는 제2 임베디드 특징들(807)로부터 생성된 재구성 특징들과 제2 트레이닝 특징들(805) 사이의 재구성 에러들(808)이 작아지도록 오토 인코더(801)를 학습시킬 수 있다.
도 9는 일실시예에 따른 문장의 도메인 판단을 위한 학습 방법을 설명하기 위한 도면이다.
도 9를 참조하면, 도메인 판단 학습 장치는 제1 도메인 문장들(902)을 표현하는 제1 트레이닝 특징들(904)을 오토 인코더(901)에 인가할 수 있다. 도메인 판단 학습 장치는 제2 도메인 문장들(903)을 표현하는 제2 트레이닝 특징들(905)을 오토 인코더(901)에 인가할 수 있다. 도메인 판단 학습 장치는 비 도메인 문장들(908)을 표현하는 제3 트레이닝 특징들(909)을 오토 인코더(901)에 인가할 수 있다. 도 7 및 도 8을 참조하여 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 문장인지를 판단하도록 오토 인코더를 학습시키는 실시예가 설명되었지만, 도메인 판단 학습 장치는 복수의 도메인들 중 입력 문장이 속하는 도메인을 판단하도록 오토 인코더를 학습시킬 수 있다.
도메인 판단 학습 장치는 제1 트레이닝 특징들(904)으로부터 오토 인코더(901)에 의해 생성된 제1 임베디드 특징들(906)의 위치들을 획득할 수 있다. 도메인 판단 학습 장치는 제1 임베디드 특징들(906)의 위치들이 임베딩 공간 상의 제1 위치에 가까워지도록 오토 인코더(901)를 학습시킬 수 있다.
도메인 판단 학습 장치는 제2 트레이닝 특징들(905)으로부터 오토 인코더(901)에 의해 생성된 제2 임베디드 특징들(907)의 위치들을 획득할 수 있다. 도메인 판단 학습 장치는 제2 임베디드 특징들(905)의 위치들이 임베딩 공간 상의 제2 위치에 가까워지도록 오토 인코더(901)를 학습시킬 수 있다.
도메인 판단 학습 장치는 제3 트레이닝 특징들(909)로부터 오토 인코더(901)에 의해 생성된 제3 임베디드 특징들(910)을 획득할 수 있다. 도메인 판단 학습 장치는 제3 임베디드 특징들(910)로부터 오토 인코더(901)에 의해 생성된 재구성 특징들을 획득할 수 있다. 도메인 판단 학습 장치는 제3 임베디드 특징들(910)로부터 생성된 재구성 특징들과 제3 트레이닝 특징들(909) 사이의 재구성 에러들(911)이 작아지도록 오토 인코더(901)를 학습시킬 수 있다.
도 10은 일실시예에 따른 도메인 판단 장치의 동작을 설명하기 위한 도면이다.
도 10을 참조하면, 도메인 판단 장치는 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것에 해당하는지 여부를 판단할 수 있다. 예를 들어, 도메인 판단 장치는 입력 문장 "원고는 피고에게 부동산매매계약 약정에 따라 계약금을 지급했다"가 도메인 문장인 것으로 판단하고, 입력 문장 "심부전 환자는 부정맥 위험 때문에 카페인 함량이 높은　커피를 삼가야 한다"가 비 도메인 문장인 것으로 판단할 수 있다.
도 11은 일실시예에 따른 도메인 판단 장치의 동작을 설명하기 위한 도면이다.
도 11을 참조하면, 도메인 판단 장치는 입력 문장이 복수의 도메인들 중 어디에 속하는지 여부를 판단할 수 있다. 예를 들어, 도메인 판단 장치는 입력 문장 "원고는 피고에게 부동산매매계약 약정에 따라 계약금을 지급했다"가 법률 도메인에 속하는 것으로 판단하고, 입력 문장 "심부전 환자는 부정맥 위험 때문에 카페인 함량이 높은　커피를 삼가야 한다"가 의료 도메인에 속하는 것으로 판단하고, 입력 문장 "S전자가 반도체 사업에서 역대 최대 실적을 올렸다"가 뉴스 도메인에 속하는 것으로 판단하고, 입력 문장 "나는 너무 예쁘다"가 비 도메인 문장인 것으로 판단할 수 있다. 일실시예에 따르면, 도메인 판단 장치는 언어 기반의 인식 시스템에서 문장의 도메인을 판단하는데 활용될 수 있다.
도 12는 일실시예에 따른 장치의 구성의 예시도이다.
도 12를 참조하면, 장치(1201)는 프로세서(1202) 및 메모리(1203)를 포함한다. 일실시예에 따른 장치(1201)는 상술한 도메인 판단 장치 또는 도메인 판단 학습 장치일 수 있다. 프로세서(1202)는 도 1 내지 도 11을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 11을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1203)는 상술한 도메인 판단 방법 또는 도메인 판단 학습 방법과 관련된 정보를 저장하거나 상술한 도메인 판단 방법 또는 도메인 판단 학습 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1203)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(1202)는 프로그램을 실행하고, 장치(1201)를 제어할 수 있다. 프로세서(1202)에 의하여 실행되는 프로그램의 코드는 메모리(1203)에 저장될 수 있다. 장치(1201)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 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 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 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 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 도메인 판단 장치에 의하여 수행되는 문장의 도메인 판단 방법에 있어서,
    오토 인코더를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성하는 단계; 및
    임베디드 특징들이 분포하는 임베딩 공간 상 상기 임베디드 특징의 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 단계
    를 포함하고,
    상기 판단하는 단계는
    상기 임베디드 특징의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 상기 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단하는 단계
    를 포함하는
    문장의 도메인 판단 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 오토 인코더는 비 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 미리 정의된 위치에 가까워지도록 학습되고,
    상기 판단하는 단계는
    상기 거리가 임계 거리보다 작은 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  4. 제3항에 있어서,
    상기 판단하는 단계는
    상기 거리가 상기 임계 거리보다 큰 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계;
    상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및
    상기 재구성 에러가 임계 에러보다 큰 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  5. 제1항에 있어서,
    상기 오토 인코더는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 미리 정의된 위치에 가까워지도록 학습되고,
    상기 판단하는 단계는
    상기 거리가 임계 거리보다 큰 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  6. 제5항에 있어서,
    상기 판단하는 단계는
    상기 거리가 상기 임계 거리보다 작은 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계;
    상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및
    상기 재구성 에러가 임계 에러보다 작은 경우, 상기 입력 문장이 상기 비 도메인 문장인 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  7. 제1항에 있어서,
    상기 미리 정의된 위치는 상기 임베딩 공간 상의 원점인,
    문장의 도메인 판단 방법.
  8. 제1항에 있어서,
    상기 도메인을 판단하는 단계는
    상기 임베디드 특징의 위치 및 상기 미리 정의된 위치에 기초하여, Lp-norm 또는 KL-divergence(Kullback-Leibler divergence; KLD)를 계산하는 단계; 및
    상기 계산 결과에 기초하여, 상기 임베디드 특징의 위치 및 상기 미리 정의된 위치 사이의 거리를 생성하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  9. 제1항에 있어서,
    상기 판단하는 단계는
    상기 오토 인코더를 이용하여, 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계;
    상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및
    상기 재구성 에러 및 상기 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  10. 제1항에 있어서,
    상기 임베디드 특징은 상기 오토 인코더 내 히든 레이어의 활성화 값(activation value) 또는 사전-활성화 값(pre-activation value)인,
    문장의 도메인 판단 방법.
  11. 제1항에 있어서,
    상기 입력 특징은 상기 입력 문장으로부터 뉴럴 네트워크에 의해 생성된 임베디드 특징인,
    문장의 도메인 판단 방법.
  12. 제1항에 있어서,
    상기 판단하는 단계는
    미리 정의된 도메인들에 각각 대응하는 미리 정의된 위치들과 상기 위치에 기초하여, 상기 도메인들 중 상기 입력 문장이 속하는 도메인을 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  13. 제12항에 있어서,
    상기 오토 인코더는 상기 도메인들에 각각 속하는 도메인 문장들을 표현하는 특징들로부터 생성된 임베디드 특징들이 상기 위치들에 각각 가까워지도록 학습되고,
    상기 입력 문장이 속하는 도메인을 판단하는 단계는
    상기 위치들 중 상기 위치와 가장 가까운 제2 위치를 식별하는 단계; 및
    상기 위치와 상기 제2 위치 사이의 거리가 임계 거리보다 작은지 여부에 기초하여, 상기 입력 문장이 상기 제2 위치에 대응하는 제2 도메인에 속하는 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  14. 제13항에 있어서,
    상기 입력 문장이 상기 제2 도메인에 속하는 것으로 판단하는 단계는
    상기 거리가 상기 임계 거리보다 작은 경우, 상기 오토 인코더를 이용하여 상기 임베디드 특징으로부터 재구성 특징을 생성하는 단계;
    상기 입력 특징과 상기 재구성 특징에 기초하여 재구성 에러를 생성하는 단계; 및
    상기 재구성 에러가 임계 에러보다 작은 경우, 상기 입력 문장이 비 도메인 문장-상기 비 도메인 문장은 상기 도메인들에 속하지 않는 문장임-인 것으로 판단하는 단계
    를 포함하는,
    문장의 도메인 판단 방법.
  15. 도메인 판단을 위한 학습 장치에 의하여 수행되는 문장의 도메인 판단을 위한 학습 방법에 있어서,
    트레이닝 문장을 표현하는 트레이닝 특징을 오토 인코더에 인가하는 단계; 및
    상기 트레이닝 특징으로부터 생성된 임베디드 특징의 위치가 임베딩 공간-상기 임베딩 공간에는 임베디드 특징들이 분포함- 상의 미리 정의된 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계
    를 포함하고,
    상기 학습된 오토 인코더는,
    상기 임베디드 특징의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단하도록 구성되는,
    문장의 도메인 판단을 위한 학습 방법.
  16. 제15항에 있어서,
    상기 오토 인코더에 인가하는 단계는
    도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및
    비 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계
    를 포함하고,
    상기 오토 인코더를 학습시키는 단계는
    상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징을 획득하는 단계;
    상기 제1 임베디드 특징으로부터 생성된 재구성 특징과 상기 제1 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계; 및
    상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징의 위치가 상기 임베딩 공간 상의 제2 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계
    를 포함하는,
    문장의 도메인 판단을 위한 학습 방법.
  17. 제15항에 있어서,
    상기 오토 인코더에 인가하는 단계는
    도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및
    비 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계
    를 포함하고,
    상기 오토 인코더를 학습시키는 단계는
    상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징의 위치가 상기 임베딩 공간 상의 제1 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계;
    상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징을 획득하는 단계; 및
    상기 제2 임베디드 특징으로부터 생성된 재구성 특징과 상기 제2 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계
    를 포함하는,
    문장의 도메인 판단을 위한 학습 방법.
  18. 제15항에 있어서,
    상기 오토 인코더에 인가하는 단계는
    제1 도메인 문장을 표현하는 제1 트레이닝 특징을 상기 오토 인코더에 인가하는 단계;
    제2 도메인 문장을 표현하는 제2 트레이닝 특징을 상기 오토 인코더에 인가하는 단계; 및
    비 도메인 문장-상기 비 도메인 문장은 도메인들에 속하지 않는 문장임-을 표현하는 제3 트레이닝 특징을 상기 오토 인코더에 인가하는 단계
    를 포함하고,
    상기 오토 인코더를 학습시키는 단계는
    상기 제1 트레이닝 특징으로부터 생성된 제1 임베디드 특징의 위치가 상기 임베딩 공간 상의 제1 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계;
    상기 제2 트레이닝 특징으로부터 생성된 제2 임베디드 특징의 위치가 상기 임베딩 공간 상의 제2 위치에 가까워지도록 상기 오토 인코더를 학습시키는 단계;
    상기 제3 트레이닝 특징으로부터 생성된 제3 임베디드 특징을 획득하는 단계; 및
    상기 제3 임베디드 특징으로부터 생성된 재구성 특징과 상기 제3 트레이닝 특징 사이의 재구성 에러가 작아지도록 상기 오토 인코더를 학습시키는 단계
    를 포함하는,
    문장의 도메인 판단을 위한 학습 방법.
  19. 하드웨어와 결합되어 제1항 및 제3항 내지 제18항 중 어느 하나의 항의 방법을 실행시키기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
  20. 오토 인코더를 이용하여, 입력 문장을 표현하는 입력 특징으로부터 임베디드 특징을 생성하고,
    임베디드 특징들이 분포하는 임베딩 공간 상 상기 임베디드 특징의 위치에 기초하여, 상기 입력 문장의 도메인을 판단하는 프로세서
    를 포함하고,
    상기 프로세서는,
    상기 임베디드 특징의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 상기 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단하는
    문장의 도메인 판단 장치.
  21. 트레이닝 문장을 표현하는 트레이닝 특징을 오토 인코더에 인가하고,
    상기 트레이닝 특징으로부터 생성된 임베디드 특징의 위치가 임베딩 공간-상기 임베딩 공간에는 임베디드 특징들이 분포함- 상의 미리 정의된 위치에 가까워지도록 상기 오토 인코더를 학습시키는 프로세서
    를 포함하고,
    상기 학습된 오토 인코더는,
    상기 임베디드 특징의 위치와 미리 정의된 위치 사이의 거리에 기초하여, 입력 문장이 도메인 문장 또는 비 도메인 문장 중 어느 것인지 판단하도록 구성되는
    문장의 도메인 판단을 위한 학습 장치.
KR1020170102960A 2017-08-14 2017-08-14 문장의 도메인 판단 방법 및 장치 KR102410825B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020170102960A KR102410825B1 (ko) 2017-08-14 2017-08-14 문장의 도메인 판단 방법 및 장치
US15/824,743 US10528666B2 (en) 2017-08-14 2017-11-28 Method and apparatus for determining domain of sentence
EP17208856.9A EP3444726A1 (en) 2017-08-14 2017-12-20 Method and apparatus for determining domain of sentence
JP2018042977A JP7094121B2 (ja) 2017-08-14 2018-03-09 文章のドメイン判断方法及び装置
CN201810295802.8A CN109388797B (zh) 2017-08-14 2018-04-04 用于确定句子的领域的方法和设备及训练方法和训练设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170102960A KR102410825B1 (ko) 2017-08-14 2017-08-14 문장의 도메인 판단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190018246A KR20190018246A (ko) 2019-02-22
KR102410825B1 true KR102410825B1 (ko) 2022-06-20

Family

ID=60923287

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170102960A KR102410825B1 (ko) 2017-08-14 2017-08-14 문장의 도메인 판단 방법 및 장치

Country Status (5)

Country Link
US (1) US10528666B2 (ko)
EP (1) EP3444726A1 (ko)
JP (1) JP7094121B2 (ko)
KR (1) KR102410825B1 (ko)
CN (1) CN109388797B (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11023683B2 (en) * 2019-03-06 2021-06-01 International Business Machines Corporation Out-of-domain sentence detection
KR102264899B1 (ko) * 2019-03-15 2021-06-11 에스케이텔레콤 주식회사 자연어 처리 시스템, 그 학습 방법 및 프로그램이 기록된 컴퓨터 판독가능한 기록매체
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
CN110688446B (zh) * 2019-08-23 2023-04-14 重庆兆光科技股份有限公司 一种句义数学空间表示方法、***、介质和设备
KR102358485B1 (ko) * 2019-10-30 2022-02-04 주식회사 솔트룩스 도메인 자동 분류 대화 시스템
CN110807332B (zh) * 2019-10-30 2024-02-27 腾讯科技（深圳）有限公司 语义理解模型的训练方法、语义处理方法、装置及存储介质
KR102579293B1 (ko) * 2021-03-16 2023-09-18 주식회사 웨이센 복수 의미 유형 단어의 단일 의미 유형 단어로의 라벨링 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356401A1 (en) 2014-06-06 2015-12-10 Google Inc. Generating representations of input sequences using neural networks
US20160307566A1 (en) * 2015-04-16 2016-10-20 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US20170103062A1 (en) 2015-10-08 2017-04-13 Facebook, Inc. Language independent representations

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000046701A1 (en) * 1999-02-08 2000-08-10 Huntsman Ici Chemicals Llc Method for retrieving semantically distant analogies
JP2004198597A (ja) * 2002-12-17 2004-07-15 Advanced Telecommunication Research Institute International 音声認識装置および文分類装置としてコンピュータを動作させるコンピュータプログラム、階層化された言語モデルを作成する方法を実現する様にコンピュータを動作させるコンピュータプログラム、および記憶媒体
US8001121B2 (en) * 2006-02-27 2011-08-16 Microsoft Corporation Training a ranking function using propagated document relevance
PL2639749T3 (pl) 2012-03-15 2017-05-31 Cortical.Io Gmbh Sposoby, urządzenia i produkty do przetwarzania semantycznego tekstu
KR101309042B1 (ko) 2012-09-17 2013-09-16 포항공과대학교 산학협력단 다중 도메인 음성 대화 장치 및 이를 이용한 다중 도메인 음성 대화 방법
JP6053131B2 (ja) * 2012-12-05 2016-12-27 株式会社アイ・アール・ディー 情報処理装置、情報処理方法、およびプログラム
KR20140138011A (ko) 2013-05-24 2014-12-03 삼성전자주식회사 음성 인식 장치 및 그 제어 방법
CN103902655B (zh) * 2014-02-28 2017-01-04 小米科技有限责任公司 聚类方法、装置及终端设备
US20160055240A1 (en) 2014-08-22 2016-02-25 Microsoft Corporation Orphaned utterance detection system and method
CN105824797B (zh) * 2015-01-04 2019-11-12 华为技术有限公司 一种评价语义相似度的方法、装置和***
JP6261547B2 (ja) * 2015-09-07 2018-01-17 ヤフー株式会社 判定装置、判定方法及び判定プログラム
CN105488151A (zh) * 2015-11-27 2016-04-13 小米科技有限责任公司 参考文档的推荐方法及装置
US10565265B2 (en) * 2016-10-12 2020-02-18 Salesforce.Com, Inc. Accounting for positional bias in a document retrieval system using machine learning
US11205103B2 (en) * 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
CN106897270B (zh) * 2017-03-10 2020-01-24 吉林大学 一种文本中知识领域识别方法及***
US10380259B2 (en) * 2017-05-22 2019-08-13 International Business Machines Corporation Deep embedding for natural language content based on semantic dependencies

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356401A1 (en) 2014-06-06 2015-12-10 Google Inc. Generating representations of input sequences using neural networks
US20160307566A1 (en) * 2015-04-16 2016-10-20 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US20170103062A1 (en) 2015-10-08 2017-04-13 Facebook, Inc. Language independent representations

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Biao Liu 외 3명, 'Incorporating domain and sentiment supervision in representation learning for domain adaptation', IJCAI'15, 2015.07., pp. 1277-1283. 1부.*

Also Published As

Publication number Publication date
EP3444726A1 (en) 2019-02-20
US10528666B2 (en) 2020-01-07
KR20190018246A (ko) 2019-02-22
CN109388797A (zh) 2019-02-26
CN109388797B (zh) 2024-02-02
JP2019036286A (ja) 2019-03-07
JP7094121B2 (ja) 2022-07-01
US20190050395A1 (en) 2019-02-14

Similar Documents

Publication Publication Date Title
KR102410825B1 (ko) 문장의 도메인 판단 방법 및 장치
KR102589638B1 (ko) 문장 생성 장치 및 방법
KR102458244B1 (ko) 기계 번역 방법 및 장치
KR102342066B1 (ko) 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
US11734509B2 (en) Controllable style-based text transformation
He et al. A unified model for cross-domain and semi-supervised named entity recognition in chinese social media
US20170308790A1 (en) Text classification by ranking with convolutional neural networks
US11048870B2 (en) Domain concept discovery and clustering using word embedding in dialogue design
KR102516363B1 (ko) 기계 번역 방법 및 장치
KR102117082B1 (ko) 음성 인식 방법 및 음성 인식 장치
KR102249818B1 (ko) 학습 데이터의 분포 특성에 기초하여 학습 데이터를 생성하는 방법 및 장치
US11249756B2 (en) Natural language processing method and apparatus
KR102511282B1 (ko) 문서 수준 관계 추출 방법 및 장치
Li et al. Combining CNN and BLSTM to Extract Textual and Acoustic Features for Recognizing Stances in Mandarin Ideological Debate Competition.
EP4384933A1 (en) System and method for a natural language understanding system based on iterative intent detection and slot filling neural layers
Zmandar et al. Joint abstractive and extractive method for long financial document summarization
KR102564692B1 (ko) 관계성 학습을 이용한 자연어 처리 시스템 및 방법
KR102413050B1 (ko) 문서 요약 방법 및 장치
Xia et al. Sequence generation with target attention
Jolly et al. Building english–punjabi parallel corpus for machine translation
Thulke et al. Adapting document-grounded dialog systems to spoken conversations using data augmentation and a noisy channel model
KR102557380B1 (ko) 지식 임베딩 모델 기반의 개체명 인식 모델 생성 장치 및 방법
KR20220142050A (ko) 문장 중요도에 기반한 문서 수준의 감성 분류 방법 및 장치
Park et al. LongStory: Coherent, Complete and Length Controlled Long Story Generation
KR101663673B1 (ko) 2스텝 분석 절차를 사용한srl 기반의 문장 분석 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant