KR20210146671A - Method for analyzing customer consultation record - Google Patents
Method for analyzing customer consultation record Download PDFInfo
- Publication number
- KR20210146671A KR20210146671A KR1020200063780A KR20200063780A KR20210146671A KR 20210146671 A KR20210146671 A KR 20210146671A KR 1020200063780 A KR1020200063780 A KR 1020200063780A KR 20200063780 A KR20200063780 A KR 20200063780A KR 20210146671 A KR20210146671 A KR 20210146671A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- product
- information
- product recommendation
- text data
- Prior art date
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Machine Translation (AREA)
Abstract
Description
본 개시는 데이터 분석 기술에 관한 것으로서, 보다 구체적으로 고객 상담 기록을 분석하기 위한 기술에 관한 것이다.The present disclosure relates to data analysis technology, and more particularly, to technology for analyzing customer consultation records.
인터넷 및 모바일을 통한 금융 상품, 보험 상품의 판매가 증가하면서 당 업계에서는 고객의 상담 내용을 수집하여 이를 마케팅에 활용하고자 하는 수요가 존재한다. 예를 들어, 콜센터에서 고객과의 상담 자료를 바탕으로 어떤 고객에게 어떠한 상품을 추천했을 때 계약 확률이 증가할지 알 수 있다면 마케팅에 소요되는 비용, 인적 자원을 절감하면서 그 효과는 극대화될 수 있다. 상기한 바와 같은 마케팅 타겟팅 및 마케팅 효율 극대화를 위해 상담 데이터를 효율적으로 처리할 수 있는 방법 및 마케팅 방법에 관한 요구가 당업계에 존재한다.As the sales of financial products and insurance products through the Internet and mobile increase, there is a demand in the industry to collect customer consultations and use them for marketing. For example, if it is known that the probability of a contract will increase when a customer recommends a product to a customer based on customer consultation data in a call center, the effect can be maximized while reducing marketing costs and human resources. There is a need in the art for a method and a marketing method that can efficiently process consultation data for maximizing marketing targeting and marketing efficiency as described above.
대한민국 등록특허 KR2110495호는 “빅데이터 기반 인플루언서 광고를 이용한 할인 마케팅 서비스 제공 시스템”을 개시한다.Korean Patent Registration No. KR2110495 discloses “a system for providing discount marketing services using big data-based influencer advertisements”.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 고객 상담 기록 분석 방법을 제공하기 위함이다.The present disclosure has been devised in response to the above-described background technology, and is intended to provide a method for analyzing customer consultation records.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 신경망을 이용하여 고객 상담 기록 분석을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하는 동작; 상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하는 동작; 상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하는 동작; 및 신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하는 동작; 을 포함하며, 그리고 상기 상품 계약 정보는, 적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함할 수 있다.A computer program stored in a computer-readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above-described problems. When the computer program is executed in one or more processors, the following operations are performed for analyzing customer consultation records using a neural network, and the operations are: In a deep learning-based transformation model trained to convert voice information into text information obtaining text data by inputting the received customer call voice data; generating a training data set based on the text data and product contract information; learning the product recommendation model to generate product recommendation information by inputting the training data set into a deep learning-based product recommendation model; and inputting new customer call voice data into the learned transformation model to obtain new text data, and inputting new data based thereon into the product recommendation model to generate product recommendation information. It includes, and the product contract information may include information on at least one product and a result of whether each product is contracted.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 텍스트 데이터를 토큰화(Tokenization)하는 작업을 포함하는 전처리 동작; 을 더 포함할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing a customer consultation record, a preprocessing operation comprising tokenizing the text data; may further include.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 텍스트 데이터에 대한 형태소 분석, 파싱 트리(parsing tree) 기반 구문 분석 및 상기 텍스트 데이터에 대한 불용어 처리 중 적어도 하나를 포함하는 전처리 동작; 을 더 포함할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, at least one of morphological analysis of the text data, parsing tree-based syntax analysis, and stopword processing on the text data A preprocessing operation comprising; may further include.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 텍스트 데이터에 대한 토큰화 작업 결과로 획득된 적어도 하나의 토큰에 기초하여 벡터(vector) 데이터를 생성하는 동작을 더 포함하며, 상기 벡터 데이터는 토큰 간 의미 유사도를 반영할 수 있도록 생성될 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing a customer service record, generating vector data based on at least one token obtained as a result of a tokenization operation on the text data. It further includes, and the vector data may be generated to reflect the semantic similarity between tokens.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 텍스트 데이터에 포함된 문장에 대해 사전 결정된 개수의 인자를 추출하여 배열을 생성하는 동작을 더 포함할 수 있다.In an alternative embodiment of the computer program operations for performing the following operations for analyzing the customer consultation record, the operation may further include generating an array by extracting a predetermined number of factors for a sentence included in the text data. .
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 사전 결정된 개수의 인자는, 연산 기여도에 기초하여 추출될 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing a customer consultation record, the predetermined number of factors may be extracted based on a computational contribution.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 배열은 사전 결정된 크기를 입력으로 받는 합성곱(Covolutional) 신경망에 입력하는 동작; 을 더 포함할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing a customer consultation record, the arrangement comprises: inputting a predetermined magnitude into a convolutional neural network; may further include.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상품 추천 모델은, 상기 학습 데이터에 포함된 발화내용의 특징을 추출하도록 학습되며, 상기 발화내용의 특징은 학습 데이터에 포함된 개별 데이터의 중요도를 포함할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, the product recommendation model is trained to extract features of utterances included in the learning data, and the characteristics of utterances include: It may include the importance of individual data included in the training data.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 발화내용의 특징에 기초한 불용어 처리를 포함하는 전처리 동작; 및 상기 발화내용의 특징에 기초하여 연산 기여도를 산출하는 동작; 중 적어도 하나를 더 포함할 수 있다.In an alternative embodiment of the computer program operations for performing the following operations for analyzing a customer consultation record, a pre-processing operation including stopword processing based on a characteristic of the utterance content; and calculating a calculation contribution based on the characteristics of the utterance content. It may further include at least one of.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상품 추천 모델은, 상기 학습 데이터에 포함된 벡터 데이터에 기초하여 상품 추천 정보를 생성하도록 학습될 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, the product recommendation model may be trained to generate product recommendation information based on vector data included in the learning data.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상품 추천 모델은, 적어도 하나 이상의 합성곱(Convolutional) 신경망 및 적어도 하나 이상의 순환(Recurrent) 신경망의 조합으로 이루어질 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, the product recommendation model may be formed of a combination of at least one or more convolutional neural networks and at least one or more recurrent neural networks. can
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 순환 신경망은 LSTM(Long Short Term Memory) 모델이 적용될 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, the recurrent neural network may be applied with a Long Short Term Memory (LSTM) model.
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상품 추천 모델은, 상기 학습 데이터의 파싱 트리(parsing tree) 기반 구문 분석 정보로부터 키워드를 추출하고, 상기 키워드에 기초하여 상품 추천 정보를 생성할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, the product recommendation model extracts a keyword from a parsing tree-based syntax analysis information of the learning data, and the keyword Product recommendation information may be generated based on the .
고객 상담 기록 분석을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 상품 추천 정보에 기반하여 고객이 상품을 계약한 경우, 해당 고객의 텍스트 데이터를 이용하여 상기 상품 추천 모델을 재학습 할 수 있다.In an alternative embodiment of computer program operations for performing the following operations for analyzing customer consultation records, when a customer contracts a product based on the product recommendation information, the product recommendation model is created using the text data of the customer can relearn.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 신경망을 이용한 고객 상담 기록 분석 방법이 개시된다. 고객 상담 기록 분석 방법은: 음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하는 단계; 상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하는 단계; 상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하는 단계; 및 신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하는 단계를 포함하며, 그리고 상기 상품 계약 정보는, 적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함할 수 있다.According to an embodiment of the present disclosure for realizing the above-described problem, a method for analyzing customer consultation records using a neural network is disclosed. The customer consultation record analysis method includes: acquiring text data by inputting the received customer call voice data into a deep learning-based transformation model trained to convert voice information into text information; generating a training data set based on the text data and product contract information; learning the product recommendation model to generate product recommendation information by inputting the training data set into a deep learning-based product recommendation model; and inputting new customer call voice data into the learned transformation model to obtain new text data, and inputting new data based thereon into the product recommendation model to generate product recommendation information, and the product contract information includes: It may include information on at least one product and a result of whether each product is contracted.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 고객 상담 기록 분석을 위한 서버가 개시된다. 상기 서버는 하나 이상의 코어를 포함하는 프로세서; 및 메모리를 포함하고, 상기 프로세서는, 음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하고, 상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하고, 신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하고, 그리고 상기 상품 계약 정보는, 적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함할 수 있다.According to an embodiment of the present disclosure for realizing the above-described problem, a server for analyzing customer consultation records is disclosed. The server includes a processor including one or more cores; and a memory, wherein the processor acquires text data by inputting the received customer call voice data into a deep learning-based transformation model trained to convert voice information into text information, and based on the text data and product contract information to generate a training data set, and input the training data set to a deep learning-based product recommendation model to learn the product recommendation model to generate product recommendation information, and input new customer call voice data to the learned transformation model. Obtaining new text data and inputting new data based thereon into the product recommendation model to generate product recommendation information, and the product contract information may include information on at least one product and a result of whether each product is contracted.
본 개시는 고객 상담 기록 분석 방법을 제공할 수 있다.The present disclosure may provide a method for analyzing customer consultation records.
도 1은 본 개시의 일 실시예에 따라 마케팅 대상자를 산출하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 고객 상담 기록 분석 시스템의 순서도이다.
도 3은 본 개시의 일 실시예에 따른 파싱 트리의 예시도이다.
도 4는 본 개시의 일 실시예에 따른 텍스트 데이터에 관한 배열의 예시도이다.
도 5는 본 개시의 일 실시예에 따른 상품 추천 모델의 최종 결과 중 일부 데이터를 도시한 예시도이다.1 is a diagram illustrating a block diagram of a computing device that performs an operation for calculating a target for marketing according to an embodiment of the present disclosure.
2 is a flowchart of a customer consultation record analysis system according to an embodiment of the present disclosure.
3 is an exemplary diagram of a parsing tree according to an embodiment of the present disclosure.
4 is an exemplary diagram of an arrangement related to text data according to an embodiment of the present disclosure.
5 is an exemplary diagram illustrating some data among final results of a product recommendation model according to an embodiment of the present disclosure.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is apparent that these embodiments may be practiced without these specific descriptions.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.The terms “component,” “module,” “system,” and the like, as used herein, refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component can be, but is not limited to being, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both an application running on a computing device and the computing device may be a component. One or more components may reside within a processor and/or thread of execution. A component may be localized within one computer. A component may be distributed between two or more computers. In addition, these components can execute from various computer readable media having various data structures stored therein. Components may communicate via a network such as the Internet with another system, for example, via a signal having one or more data packets (eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.) may communicate via local and/or remote processes depending on the data being transmitted).
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or.” That is, unless otherwise specified or clear from context, "X employs A or B" is intended to mean one of the natural implicit substitutions. That is, X employs A; X employs B; or when X employs both A and B, "X employs A or B" may apply to either of these cases. It should also be understood that the term “and/or” as used herein refers to and includes all possible combinations of one or more of the listed related items.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.Also, the terms "comprises" and/or "comprising" should be understood to mean that the feature and/or element in question is present. However, it should be understood that the terms "comprises" and/or "comprising" do not exclude the presence or addition of one or more other features, elements and/or groups thereof. Also, unless otherwise specified or unless it is clear from context to refer to a singular form, the singular in the specification and claims should generally be construed to mean “one or more”.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다. And, the term "at least one of A or B" should be interpreted as meaning "when including only A", "when including only B", and "when combined with the configuration of A and B".
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those skilled in the art will further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be implemented in electronic hardware, computer software, or combinations of both. It should be recognized that they can be implemented with To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.Descriptions of the presented embodiments are provided to enable those skilled in the art to use or practice the present invention. Various modifications to these embodiments will be apparent to those skilled in the art of the present disclosure. The generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present invention is not limited to the embodiments presented herein. This invention is to be interpreted in its widest scope consistent with the principles and novel features presented herein.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다. In the present disclosure, a network function, an artificial neural network, and a neural network may be used interchangeably.
도 1은 본 개시의 일 실시예에 따라 마케팅 대상자를 산출하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.1 is a diagram illustrating a block diagram of a computing device that performs an operation for calculating a target for marketing according to an embodiment of the present disclosure.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. The configuration of the
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.The
본 명세서에 걸쳐 고객 콜 음성 데이터는 대화가 녹음된 음성 파일을 포함한다. 상기 대화는 상담원과 고객의 영업상 모든 종류의 대화를 포함한다. 상기 음성 데이터는 디지털 오디오 데이터를 저장하기 위한 임의의 파일 포맷으로 저장될 수 있다. 상기 임의의 파일 포맷은 WAV, FLAC, MP3, TTA, VOX 등의 포맷을 포함한다. 전술한 파일 포맷 유형은 일 예시에 불과할 뿐 본원 발명을 제한하지 않는다.Customer call voice data throughout this specification includes voice files in which conversations are recorded. The conversation includes all kinds of business conversations between the agent and the customer. The voice data may be stored in any file format for storing digital audio data. The arbitrary file format includes formats such as WAV, FLAC, MP3, TTA, and VOX. The above-described file format type is merely an example and does not limit the present invention.
도 2는 본 개시의 일 실시예에 따른 고객 상담 기록 분석 방법의 순서도이다. 프로세서(110)는 네트워크부(150) 또는 별도의 수신부(미도시)를 통해 고객의 콜 음성 데이터를 수신(210)할 수 있다. 그 후 프로세서(110)는 상기 음성 데이터를 학습된 딥러닝 기반 음성-문자 변환 모델에 입력하여 텍스트 데이터를 획득(230)할 수 있다. 프로세서(110)는 상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성(250)할 수 있다. 프로세서(110)는 상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습(270)시킬 수 있다. 학습이 완료되면 최종적으로 프로세서(110)는 신규 고객 콜 음성 데이터를 상기 변환 모델 및 상기 상품 추천 모델에 순차 입력하여 상품 추천 정보를 생성(290)하고 이를 기반으로 고객에게 상품을 추천할 수 있다.2 is a flowchart of a method for analyzing customer consultation records according to an embodiment of the present disclosure. The
본 개시의 일 실시예에 따르면, 프로세서(110)는 음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득할 수 있다. 상기 학습된 딥러닝 기반 변환 모델은 적어도 하나 이상의 네트워크 함수를 포함할 수 있다. 상기 변환 모델은 연속적으로 입력되는 음성을 사전 결정된 시간 단위로 쪼개어 입력 받아 이를 문자로 변환할 수 있다. 상기 변환 모델은 입력되는 음성의 시퀀스를 문자의 시퀀스로 출력하기 위해 Many To Many의 입출력 구조를 갖는 네트워크 함수를 포함할 수 있다. 상기 변환 모델은 음성 정보를 문자 정보로 변환시키기 위해 적어도 하나 이상의 은닉층(hidden layer)을 포함하는 순환 신경망으로 이루어질 수 있다. 프로세서(110)는 변환 모델을 통해 획득된 텍스트 데이터를 메모리(130)에 저장할 수 있다. 상기 음성정보를 문자정보로 변환하는 변환 모델은 당해 기술 분야에 널리 알려진 STT(Speech To Text) 기술로 구현될 수 있다.According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따르면 프로세서(110)는 상기 텍스트 데이터 및 상품 계약 정보에 기초하여 학습 데이터 세트를 생성할 수 있다. 이 때 각 텍스트 데이터에 상품 계약 정보를 라벨링하여 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 학습 데이터 세트를 생성하기 위해 상기 텍스트 데이터를 전처리하는 동작을 더 포함할 수 있다. 상기 전처리 동작에는 텍스트 데이터에 대한 토큰화 작업, 텍스트 데이터에 대한 형태소 분석, 텍스트 데이터에 대한 파싱 트리(parsing tree) 기반 구문 분석 및 텍스트 데이터에 대한 불용어 처리 등이 포함될 수 있다. According to an embodiment of the present disclosure, the
프로세서(110)는 텍스트 데이터를 토큰화(Tokenization)하는 작업을 포함하는 전처리 동작을 수행할 수 있다. 상기 토큰화 작업은 연속된 텍스트 데이터를 토큰이라는 단위로 분해하는 것을 의미할 수 있다. 상기 토큰은 텍스트 데이터에 포함된 단어, 구, 문장 또는 사전 결정된 길이를 갖는 문자열을 포함하는 텍스트 데이터 분리를 위한 일 단위일 수 있다. 상기 토큰은 후술할 딥러닝 기반 상품 추천 모델의 학습의 기본 단위가 될 수 있다. 상기 토큰화 작업은 주어진 텍스트 데이터에 포함된 문자열 내의 띄어쓰기를 위한 공백을 기준으로 수행될 수 있다. 예를 들어, "해지 환급금은 없는 순수 보장형으로, 낮은 보험료로 큰 보장이 가능합니다."라는 문장에 대해 띄어쓰기를 위한 공백을 기준으로 토큰화 작업이 수행되는 경우, ['해지', '환급금은', '없는', '순수', '보장형으로,', '낮은', '보험료로', '큰', '보장이', '가능합니다.']와 같이 토큰화 될 수 있다. The
프로세서(110)는 텍스트 데이터에 대한 형태소 분석, 파싱 트리(parsing tree) 기반 구문 분석 및 텍스트 데이터에 대한 불용어 처리 중 적어도 하나를 포함하는 전처리 동작을 수행할 수 있다. The
형태소란 뜻을 가진 말의 단위로, 혼자 자립해서 사용될 수 있는지 유무에 따라 자립 형태소와 의존 형태소로 나누어질 수 있다. 또는 어휘적 의미의 유무에 따라 실질 형태소와 형식 형태소로 구분될 수 있다. 자연어 처리 기술 분야에 통상적으로 알려진 바와 같이 한국어의 경우 5언 9품사로 분류될 수 있다. 상기 5언 9품사는 체언(명사, 대명사, 수사), 수식언(관형사, 부사), 관계언(조사), 독립언(감탄사), 용언(동사, 형용사)를 의미할 수 있다. 또한 용언에 해당하는 동사와 형용사는 어간(stem)과 어미(ending)의 결합으로 구성될 수 있다. 본 개시에 있어서 텍스트 데이터에 대한 형태소 분석은 상기 토큰화 작업의 기초가 되기 위해 수행될 수 있으며, 상기 형태소의 분류를 기준으로 하여 텍스트 데이터를 토큰화 한 뒤, 각 토큰에 대해 라벨링이 이루어질 수 있다. 상기 토큰화 및 라벨링은 적어도 하나의 인공 신경망을 포함하는 별도의 네트워크 함수에 의해 이루어질 수 있다. 즉, 상기 별도의 네트워크 함수는 텍스트 데이터 및 상기 텍스트 데이터를 분해하여 각 형태소 단위의 토큰에 대해 분류결과가 라벨링 된 학습 데이터 세트를 입력 받아 형태소 단위의 토큰화 작업 및 라벨링 작업이 가능하도록 학습될 수 있다. 형태소 분석에 기초한 토큰화 및 라벨링의 예로써 "해지 환급금은 없는 순수 보장형으로, 낮은 보험료로 큰 보장이 가능합니다."라는 문장을 형태소 분석한 경우, ['해지'(명사), '환급금'(명사), '은'(보조사), '없'(형용사), '는'(관형형 어미), '순수'(명사), '보장'(명사), '형'(명사 파생 접미사), '으로'(부사격 조사), ','(쉼표), '낮'(형용사), '은'(보조사), '보험료'(명사), '로'(부사격 조사), '크'(형용사), 'ㄴ'(관형형 어미), '보장'(명사), '이'(주격 조사), '가능'(어근), '하'(형용사 파생 접미사), 'ㅂ니다'(종결 어미), '.'(마침표) ]와 같이 토큰화 및 라벨링 될 수 있다. 전술한 형태소 분석의 기준 및 방법은 일 예시에 불과할 뿐 본 개시를 제한하지 않는다.A morpheme is a unit of speech with a meaning, and can be divided into independent morpheme and dependent morpheme depending on whether it can be used independently or not. Alternatively, depending on the presence or absence of a lexical meaning, it can be divided into a real morpheme and a formal morpheme. As is commonly known in the field of natural language processing technology, in the case of Korean, it can be classified into 5 words and 9 parts of speech. The five words and nine parts of speech may mean an adjective (noun, pronoun, rhetoric), a modifier (adjective, adverb), a related word (exposition), an independent word (exclamation), and a verb (verb, adjective). Also, verbs and adjectives corresponding to verbs may be composed of a combination of a stem and an ending. In the present disclosure, morphological analysis of text data may be performed to become the basis of the tokenization operation, and after tokenizing text data based on the classification of the morpheme, labeling may be performed for each token. . The tokenization and labeling may be performed by a separate network function including at least one artificial neural network. That is, the separate network function decomposes text data and the text data to receive a training data set in which classification results are labeled for tokens of each morpheme unit, and can be learned to enable tokenization and labeling operations in units of morphemes. have. As an example of tokenization and labeling based on morpheme analysis, if the sentence "Cancellation' (noun), 'refund' ( Noun), 'silver' (auxiliary), 'without' (adjective), 'is' (tubular ending), 'pure' (noun), 'guaranteed' (noun), 'form' (noun derivation suffix), as ' '(adverbial investigation), ',' (comma), 'day' (adjective), 'silver' (auxiliary), 'insurance' (noun), 'lo' (adverbial investigation), 'k' (adjective), ' ㄴ' (tubular ending), 'guarantee' (noun), 'i' (nominative participle), 'possible' (root), 'ha' (adjective derivation suffix), 'b' (final ending), '.' (period) ] can be tokenized and labeled. The above-described standards and methods of morphological analysis are merely exemplary and do not limit the present disclosure.
프로세서(110)는 데이터 전처리에 있어서 파싱 트리(parsing tree) 기반 구문 분석을 수행할 수 있다. 상기 파싱 트리에 있어서 내부 노드는 문장의 구조(예를 들어, 명사구(noun phrase), 동사구(verb phrase), 형용사구(Adjective phrase) 등)에 관한 정보를 포함하고, 외부 노드는 실제 텍스트 데이터의 토큰일 수 있다. 상기 내부 노드는 리프(leaf) 노드가 아닌 노드를 의미하고, 외부 노드는 리프 노드를 의미할 수 있다. 프로세서(110)는 파싱 트리 기반 구문 분석을 위해 각 문장을 표현한 트리의 노드를 재귀적으로 방문할 수 있다. 각 노드의 데이터는 노드 자신의 정보와 자식 노드의 정보를 포함할 수 있다. 또는 손자 노드의 정보를 추가로 포함할 수도 있다.The
이하에서는 도 3을 참조하여 파싱 트리에 관하여 예시적으로 설명한다. 도 3은 본 개시의 일 실시예에 따른 파싱 트리의 예시도이다. 예를 들어, 프로세서(110)가"좋은 상담원의 상품"과 같은 문장에 상기 파싱 트리 기반 구문 분석을 수행한 경우, 루트 노드(311)는 문장 전체 데이터를 포함하고, 루트 노드의 왼쪽 자식 노드(313)는 "좋은 상담원의"이라는 텍스트 데이터를 갖는 명사구를 포함하며, 루트 노드의 오른쪽 자식 노드(315)는 "상품"이라는 텍스트 데이터를 갖는 명사구를 포함할 수 있다. 이 때 프로세서(110)는 상기 루트 노드의 오른쪽 자식 노드(315)에 있어서 "상품"에 대해 더 이상 구문 분석을 수행할 수 없다고 판단하고 이 노드를 리프 노드로 확정할 수 있다. 그 다음 다른 노드에 대해 파싱 트리 구문 분석을 위한 재귀적 호출을 계속하여 수행할 수 있다. 상기 루트 노드의 왼쪽 자식 노드(313)는 프로세서(110)에 의해 계속하여 파싱 트리 기반 구문 분석이 수행되어, "좋은"이라는 형용사구를 왼쪽 자식 노드(317)로 갖고 "상담원의"이라는 명사구를 오른쪽 자식 노드(319)로 가질 수 있다. 프로세서(110)는 상기 "좋은"이라는 형용사구 또는 "상담원의"라는 명사구에 대해 추가 구문 분석을 수행할 수 있으나, 음절 수가 사전 결정된 기준보다 작거나 구문 분석의 최소 단위로 더 이상 쪼개지지 않는 경우, 구문 분석 수행을 중단하고 해당 노드를 리프 노드로 확정할 수 있다. 프로세서(110)는 상기한 파싱 트리 기반 구문 분석을 통해 형태소 및 단어의 집합으로 표현되는 구문을 학습에 사용할 수도 있다. 즉, 개별 단어, 형태소 또는 토큰이 갖는 상품의 계약 확률을 학습에 고려할 수 있을 뿐만 아니라, 구문 자체의 구조가 갖는 상품의 계약 확률을 학습에 고려할 수 있고 또는 구문 분석에 기초하여 텍스트 데이터의 중요도를 파악할 수 있어, 입력 텍스트 데이터를 다양한 측면에서 분석하여 최종적으로 상품 추천 모델의 성능이 높아진다. 파싱 트리 기반 구문 분석에 의해 전처리된 텍스트 데이터를 딥러닝 기반 상품 추천 모델이 학습에 사용하는 방법은 후술하여 자세히 설명한다. 전술한 파싱 트리 기반 구문 분석의 예는 일 예시에 불과하며 본 개시를 제한하지 않는다.Hereinafter, a parsing tree will be exemplarily described with reference to FIG. 3 . 3 is an exemplary diagram of a parsing tree according to an embodiment of the present disclosure. For example, when the
프로세서(110)는 데이터 전처리에 있어서 불용어(stopword) 처리를 수행할 수 있다. 불용어는 텍스트 데이터의 처리에 큰 영향이 없는 단어를 포함한다. 프로세서(110)는 학습 데이터의 크기를 줄여 학습 시간을 최소화하고 요구되는 메모리 자원을 절약하기 위해 텍스트 데이터에서 불용어를 삭제할 수 있다. 상기 불용어 처리는 토큰화된 텍스트 데이터에서 불용어와 관련된 토큰을 삭제하는 것으로 수행될 수 있다. 텍스트 데이터에서 처리되어야 하는 불용어와 관련한 리스트는 임의의 텍스트 파일로 메모리(130)에 기 저장되어 있을 수 있다. 상기 불용어 리스트는 보험업, 금융업 또는 마케팅 관련 분야에 있어서 불용어로 처리되는 단어의 집합일 수 있다. 다른 실시예로서 상기 불용어는 인공 신경망에 의해 산출 및 관리될 수 있다. 즉, 인공 신경망을 통해 전체 텍스트 데이터에서 모든 상품의 계약 확률과 연관성이 낮은 단어 또는 단어의 집합을 불용어로 관리하도록 할 수 있다. 불용어 처리의 구체적 예시로서 프로세서(110)가 "해지 환급금은 없는 순수 보장형으로, 낮은 보험료로 큰 보장이 가능합니다."와 같은 문장에 대해 불용어 처리를 수행하는 경우, '보장형으로'에 포함된'으로'와 같은 조사 또는 '가능합니다'에 포함된 '합니다'와 같은 동사구는 데이터 분석에 큰 영향을 미치지 않으므로 이를 불용어로 인식하여 해당 텍스트 데이터에서 삭제할 수 있다. 상기 삭제는 토큰화된 텍스트 데이터에서 해당 데이터의 토큰을 삭제하는 방식을 포함할 수 있다. 프로세서(110)에 의한 불용어 처리의 다른 실시예에서, 프로세서(110)는 형태소 분석을 수행한 뒤 명사, 대명사, 수사를 포함하는 체언 및 동사와 형용사를 포함하는 용언 이외에 다른 형태소(예를 들어 감탄사를 포함하는 독립언 또는 조사를 포함하는 관계언 등)는 모두 텍스트 데이터 분석에 큰 의미를 갖지 않는다고 판단하여 불용어 처리를 수행할 수 있다. 전술한 불용어 처리 방법은 일 예시일 뿐 본 개시를 제한하지 않는다. 이와 같은 프로세서(110)의 불용어 처리를 통해 전체 텍스트 데이터에 매우 높은 비율로 등장하지만 실제 텍스트 내용의 특징을 추출하는데 큰 가치가 없는 데이터(예를 들면 '은', '는', '이', '가' 와 같은 주어격 조사 등)를 삭제함으로써 전체 상품 추천 프로세스의 속도를 향상시킬 수 있고 또는 메모리 자원의 낭비를 막을 수 있다.The
프로세서(110)에 의한 상기 전처리 동작에는 학습에 불필요한 데이터의 삭제 작업이 포함될 수 있다. 상기 삭제 작업은 텍스트 데이터의 노이즈 제거 작업을 포함할 수 있다. 상기 텍스트 데이터의 노이즈는 실제로 음성 정보 자체의 노이즈가 그대로 텍스트로 변환된 경우 및 변환 과정에서 생성된 노이즈를 모두 포함한다. 전술한 전처리 동작들은 데이터 정제를 위한 전처리 동작의 예시에 불과하여 본 개시를 제한하지 않으며 나아가 프로세서(110)는 딥러닝 기반 상품 추천 모델의 효과적 학습 및 모델 성능 향상을 위해 상기 언급한 전처리 동작 외에도 자연어 처리에 관한 당해 기술분야에서 통상적으로 사용되는 임의의 전처리 기술을 포함할 수 있다.The pre-processing operation by the
본 개시의 일 실시예에 따르면 프로세서(110)는 텍스트 데이터에 상품 계약 정보를 라벨링하여 학습 데이터 세트를 생성할 수 있는데 상기 상품 계약 정보는, 적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함할 수 있다. 상기 상품 계약 정보에 포함된 상품의 개수는 하나일 수 있다. 상기 상품에 대한 정보는 보험 상품, 금융 상품 등을 포함할 수 있다. 상기 상품 계약 여부 결과는 최종 계약 여부, 상품 계약 기간, 상품 계약 조건, 계약 성사 시점, 해지 여부, 계약자 인적 정보 등을 포함할 수 있다. According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따라 프로세서(110)는 상기 텍스트 데이터를 표현하는 벡터(vector) 데이터를 생성할 수 있다. 즉, 텍스트 데이터 및 상품 계약 정보를 기초로 딥러닝 기반 인공 신경망에 입력하기 위한 학습 데이터 세트를 생성함에 있어서, 텍스트 데이터를 표현하는 벡터 데이터를 생성하여 상품 계약 정보를 라벨링한 후, 이를 학습 데이터 세트로 사용할 수 있다. 프로세서(110)는 상기 텍스트 데이터에 대한 토큰화 작업 결과로 획득된 적어도 하나의 토큰에 기초하여 벡터 데이터를 생성할 수 있다. 이 때 벡터 데이터는 토큰 간 의미 유사도를 반영할 수 있도록 생성될 수 있다. 프로세서(110)는 상기 텍스트 데이터를 각 단어의 어절별로 토큰화한 후, 각 토큰을 벡터화 될 수 있다. 또는 상기 텍스트 데이터는 전술한 토큰화 작업의 예시에 따라 일정한 기준으로 분리된 이후, 토큰 별로 벡터화 될 수 있다. 나아가 상기 텍스트 데이터는 형태소 분석에 따라 토큰화되고 각 토큰 별로 대응되는 벡터 데이터를 생성할 수 있다. 프로세서(110)는 텍스트 데이터를 표현하는 벡터 데이터를 생성하기 위해 단어 또는 토큰 간 의미 유사도를 반영할 수 있도록 각 단어 또는 토큰을 벡터화 할 수 있다. 벡터의 차원은 텍스트 데이터의 사이즈 및 사용되는 단어의 종류 등에 따라 100, 1000 등과 같이 임의의 크기로 사전 결정될 수 있다. 이하 의미 유사도를 반영한 벡터 데이터 생성의 구체적 예시를 서술한다. 벡터의 차원이 2인 경우 프로세서(110)는, "가입"이라는 단어에 대해 (10,10)이라는 벡터 데이터를 생성할 수 있다. 그 후, 입력된 "해지"라는 단어에 대해 프로세서(110)는 상기 "가입"이라는 단어와 의미적 유사도에 기초하여 벡터 데이터를 생성할 수 있다. 즉, "가입"과 "해지"는 그 의미 및 사용되는 상황이 정반대이므로 프로세서(110)는 상기 "해지"에 대해 (-10, -10)을 부여할 수 있다. 나아가 "해약"이라는 단어는 상기 "해지"라는 단어와 높은 유사도를 가지므로 프로세서(110)는 "해약"에 대응시켜 (-9.5, -10)의 값을 갖는 벡터 데이터를 생성할 수 있다. 전술한 벡터 데이터의 차원 및 벡터 데이터 생성 방법은 일 예시에 불과하며 본 개시를 제한하지 않는다. 상기 벡터화 방법으로는 당 업계에 일반적으로 알려진 원-핫 인코딩 방법 또는 워드투벡터(Word2Vec) 방법이 사용될 수 있다. 일반적으로 단어간 의미의 유사성이라는 개념 자체는 수학적으로 연산이 불가능한 텍스트 데이터에 내재된 속성이다. 그러나 본 개시에 따라 전술한 바와 같이 토큰간 의미의 유사도를 반영하여 텍스트 데이터를 벡터 데이터로 변환함으로써, 단어간 의미의 유사성을 수치화, 정량화하여 표현함으로써 인공 신경망의 학습에 제공할 수 있다. 또한, 벡터 좌표의 상대적인 거리 차이로 단어간 의미의 유사도를 수치 비교에 따라 빠르게 비교, 판단할 수 있는 효과를 가진다.According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따라 프로세서(110)는 상기 텍스트 데이터에 포함된 문장에 대해 사전 결정된 개수의 인자를 추출하여 배열을 생성할 수 있다. 상기 인자는 음절, 어절, 단어 또는 토큰 등일 수 있다. 프로세서(110)는 전처리된 텍스트 데이터에서 사전 결정된 개수를 기준으로 인자들을 추출하여 배열을 생성할 수 있다. 여기서 사전 결정된 개수는 추출될 수 있는 인자의 최대 개수일 수 있다. 프로세서(110)는 주어진 텍스트 데이터에서 마침표, 온점 등을 인식하여 문장을 인식할 수 있고, 이에 기초하여 배열을 생성할 수 있다. 이에 관하여 도 4를 참조하여 설명한다. 도 4는 본 개시의 일 실시예에 따른 텍스트 데이터에 관한 배열의 예시도이다. “무배당 A 통합보험입니다. 보험료 10만원, 100세 만기 25년납 상품입니다. 또한 추가로 운전자 보험도 들어가 있습니다.”라는 예시적 텍스트 데이터 포함된 문장에 대해 사전 결정된 개수의 인자를 추출하여 배열을 생성하는 구체적 예시이다. 예시에 있어서 배열은 행(411)과 열(413)을 갖는 2차원 배열(400)일 수 있으며 배열에 포함된 각 데이터(415)의 위치는 순서쌍(i,j)으로 표현될 수 있다. 예시에 있어서 상기 사전 결정된 개수는 5로 설정될 수 있다. 이 경우 사전 결정된 개수가 5 이므로 상기 예시 문장의 열의 수(j)는 5로 설정되었다. 프로세서(110)는 우선 상기 텍스트 데이터를 마침표, 온점 등을 기준으로 문장으로 분해한 뒤, 각 문장에서 5개의 인자를 추출한다. 5 개의 인자를 추출할 수 없는 인자 수로 문장이 구성된 경우, 나머지 열(413)의 값은 NULL 또는 <PAD>로 채워 패딩(padding)한다. 상기 패딩을 위해 배열에 채워지는 값은 사용자가 선택한 임의의 값일 수 있다. 예시의 2차원 배열(400)에 있어서 "무배당 A 통합보험입니다."라는 문장에 대해 생성된 i번째 행(411)은 추출된 인자가 "무배당", "A", "통합보험"으로 3개뿐이므로 나머지 열(413)은 <PAD>로 채워졌다. 상기 "무배당 A 통합보험입니다."라는 문장에서 "입니다."라는 인자는 프로세서(110)에 의해 불용어 처리에 의해 전처리 과정에서 삭제될 수 있다. i+1 번째 행(411), i+2 번째 행(411) 역시 같은 방법으로 프로세서(110)에 의해 각 문장에 대한 불용어 처리, 형태소 분석 등의 전술한 전처리 과정을 거친 결과일 수 있다. 전술한 배열의 크기 및 차원은 일 예시에 불과할 뿐 본 개시를 제한하지 않는다. 배열은 1차원의 선형 배열일 수도 있다. According to an embodiment of the present disclosure, the
프로세서(110)는 상기 사전 결정된 개수의 인자를 연산 기여도에 기초하여 추출할 수 있다. 프로세서(110)는 임의의 문장을 분해하여 2차원 배열(400)의 각 행(411)과 열(413)을 생성할 때 각 문장에 따라 상품 계약 확률을 도출할 때 모델에 대한 연산 기여도가 큰 상위 5개의 인자를 추출하여 배열로 생성할 수 있다. 상기 연산 기여도는 별도의 네트워크 함수에 의해 산출될 수 있다. 상기 연산 기여도는 후술되는 상품 추천 모델의 결과로부터 feeding 될 수도 있다. 또한 상품 추천 모델에서 추출된 발화내용의 특징에 기초하여 연산 기여도를 산출할 수 있다. 구체적으로, 발화내용의 특징이 포함하는 텍스트 데이터 내 개별 데이터의 중요도 순서를 상기 연산 기여도로 활용할 수도 있다. 발화내용의 특징 추출방법에 대해서는 후술하여 자세히 서술한다. 이 때, 상품 추천 모델의 결과로부터 각 인자의 연산 시 기여도가 feeding 되면 텍스트 데이터에서 인자를 추출하여 배열을 생성할 때 실제 상품 추천 모델이 추론 과정에서 결론 도출에 유의미하게 사용되는 인자만을 그 입력 데이터로 제공할 수 있게 되어, 추론의 정확성이 향상되는 효과가 있다. 또한, 사전 결정된 개수의 인자만 추출하여 배열을 구성할 수 있으므로 학습 데이터의 크기를 사용자의 선택에 따라 조절할 수 있다. 프로세서(110)는 상기 배열을 생성한 후, 배열 내부에 존재하는 데이터를 벡터 데이터로 치환할 수 있다. 상기 배열은 벡터 데이터를 각 행렬의 값으로 가지고 있을 수 있다. 즉, 벡터 데이터를 값으로 갖는 배열은 수학적 연산이 가능한 행렬이므로, 행렬간 덧셈, 행렬곱 등이 가능해져 행렬간 연산이 가능해지고, 나아가 행렬의 중첩을 통해 딥러닝 기반 상품 추천 모델이 더 넓은 범위의 학습 데이터로부터 의미를 추출할 수 있도록 도와준다. The
프로세서(110)는 상기 배열을 사전 결정된 크기를 입력으로 받는 합성곱 신경망에 입력할 수 있다. 일반적으로 합성곱(Convolutional) 인공 신경망은 고정된 크기의 학습 데이터를 입력받는다. 따라서 문장, 텍스트 등을 포함하는, 즉 순서에 의미가 있는 순차(Sequential) 데이터에 대해서는 별도의 연산이 없다면 합성곱 신경망에 데이터를 입력할 수 없을뿐더러 입력하더라도 정상적인 출력을 기대하기 어렵다. 그러나 본 개시에 있어서 전술한 바와 같이 프로세서(110)가 텍스트 데이터에 포함된 문장에 대해 사전 결정된 개수의 인자를 추출하여 배열을 생성하게 되면, 프로세서(110)는 연속된 텍스트 데이터를 순환(Recurrent) 신경망에 입력할 수 있을 뿐만 아니라 전술한 바와 같이 텍스트 데이터를 사전 결정된 크기의 배열로 배열화 함으로써 합성곱 신경망에 입력할 수도 있다. 다시 말해, 프로세서(110)는 상기 2차원 배열(400)의 행(411)의 수와 열(413)의 수를 조정하여 다양한 크기의 배열을 생성할 수 있고 따라서 서로 다른 크기의 입력 데이터를 지원하는 여러 인공 신경망을 학습 모델로 사용할 수 있다. 또한 서로 다른 윈도우 크기를 갖는 필터를 상기 배열된 텍스트 데이터에 적용할 수 있게 된다. 그 결과 다양한 특성맵(feature map)을 생성할 수 있음으로써 상기 상품 추천 모델은 텍스트 데이터에 대해 보다 많은 특징을 추출할 수 있고 최종적으로 모델의 성능이 향상된다.The
본 개시의 일 실시예에 따라 프로세서(110)는 상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습시킬 수 있다. 상기 학습 데이터는 텍스트 데이터 및 각 텍스트 데이터에 대한 상품 계약 정보 라벨로 이루어져, 이를 이용하여 프로세서(110)는 딥러닝 기반 상품 추천 모델이 새로운 텍스트 데이터의 입력에 대해 상품 추천 정보를 도출하도록 학습할 수 있다. 상기 상품 추천 모델에 의해 생성된 상품 추천 정보는 하나 이상의 상품에 대해 산출된 상품 계약 확률을 포함할 수 있다. 상기 계약 확률은 임의의 구간 내에 존재하는 실수값으로 표현될 수 있다. 상기 임의의 구간은 [0,1]일 수도 있다. 상기 상품 추천 정보는 텍스트 데이터에 기초하여 딥러닝 기반 상품 추천 모델이 연산한 하나 이상의 상품에 대한 계약 확률과 사전 결정된 확률값을 비교하여 상품 추천 여부에 대한 정보를 포함할 수 있다. 상기 사전 결정된 확률값은 각 상품별로 상이할 수 있으며, 각 상품별 모델이 산출하는 계약 확률의 평균값, 중위값 또는 사분위값 등으로 결정될 수 있다. 예를 들어 A 상품은 실제 계약으로 잘 이어지지 않는 비인기 상품으로서 상기 상품 추천 모델의 연산 결과로 얻어지는 A 상품 계약 확률 분포가 전체적으로 낮은 구간에 집중되어 있을 수 있다. 이 경우, A 상품에 대한 사전 결정된 확률값으로 고정된 값이 아닌 전체 확률 분포에 대한 제 1 사분위값을 사용할 경우, 데이터가 입력된 고객들 중 계약 확률이 높다고 판단되는 최소 1/4의 고객들에게 상품을 추천해볼 수 있어 상품 계약 확률이 낮다고 하여 전혀 추천되지 않거나, 상품이 폐지되는 것을 막을 수 있다. 나아가 프로세서(110)가 각 상품에 대한 추천 모델의 출력인 계약 확률과 사전 결정된 확률값을 비교하여 상품 추천 여부를 도출하는 경우 그 최종 출력은 추천 또는 비추천을 의미하는 이진값으로 나타날 수 있다. According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따라, 프로세서(110)는 상기 상품 추천 모델이 상기 학습 데이터에 포함된 발화내용의 특징을 추출하도록 학습시킬 수 있다. 상기 발화내용의 특징은 학습 데이터에 포함된 개별 데이터의 중요도를 포함할 수 있다. 상기 개별 데이터의 중요도는 텍스트 데이터에 포함된 단어별 중요도, 토큰별 중요도 또는 구문별 중요도 등을 포함할 수 있다. 프로세서(110)는 딥러닝 기반 상품 추천 모델 학습시 연산되는 오차 역전파(back-propagation) 방법에 기초하여 개별 데이터의 중요도를 추출할 수 있다. 구체적으로, 상품 추천 모델 학습 과정에서 인공 신경망 내부 가중치(weight) 및 편향값(bias)에 대해 각 에포크(epoch)마다 조정이 이루어질 수 있다. 상기 가중치 및 편향값 조정은 연쇄 법칙에 역전파될 수 있고 이때 가중치 및 편향값의 조정은 인공 신경망 내부의 각 층(layer) 및 필터(filter)에 대해 출력단에서 입력단 방향으로 역순으로 이루어지며 최종적으로 최초 입력단에 도달한다. 이 때 프로세서(110)는 최초 입력 데이터에 포함된 각 개별 데이터에 대응되는 입력단의 가중치에 기초하여 개별 데이터의 중요도를 결정할 수 있다. 프로세서(110)는 개별 데이터의 중요도를 입력 데이터의 각 개별 데이터에 대응되는 가중치의 합으로 결정할 수 있다. 예를 들어 "새로 나온 A 상품 가입 조건이 무엇인가요?"라는 질문에 있어서 "새로 나온", "조건" 등과 같은 텍스트는 복수의 상품에 대해 반복적으로 나타나 A 상품 추천 정보와 약한 상관관계를 가져 중요도가 낮은 단어일 수 있다. 반면 "A 상품"이라고 직접 A 상품을 고객이 언급하거나 "가입"과 같은 단어를 사용하는 것은 A 상품추천 정보와 높은 상관관계를 가지는 중요도가 높은 단어일 수 있고, 따라서 프로세서(110)는 상품 추천 모델 학습 시 이를 발화내용의 특징으로 인식하고 추출할 수 있다. 또한, 상기 예시에 있어서 "가입" 등과 같은 계약 확률과 강한 양의 상관관계에 있는 단어 외에도 "탈퇴", "해지", "다른 상품 추천" 등과 같이 계약 확률과 강한 음의 상관관계에 있는 단어 또는 문장 역시 해당 상품을 가입하지 않겠다는 의미로서 중요도가 높은 단어로 인식되어 발화내용의 특징으로 추출될 수 있다. 전술한 단어 및 문장은 일 예시에 불과하여 본 개시를 제한하지 않는다.According to an embodiment of the present disclosure, the
프로세서(110)는 발화내용의 특징에 기초하여 불용어 처리를 포함하는 전처리 동작을 수행하거나 발화내용의 특징에 기초하여 연산 기여도를 산출할 수 있다. 여기서 연산 기여도는 전술한 바와 같이 프로세서(110)가 텍스트 데이터로부터 사전 결정된 개수의 인자를 추출하여 배열을 생성할 때, 추출 기준이 될 수 있다. 본 개시에 있어서 프로세서(110)가 상품 추천 모델을 학습하는 과정에서 학습 데이터에 포함된 발화내용의 특징을 추출하는 것은 사용자에게 모델의 최종 출력에 대한 이해를 높이는 효과가 있다. 또한 실제 상품 계약과 강한 상관관계를 갖는 발화내용의 특징을 얻게 됨으로써 이를 전술한 전처리 과정에 제공하여 불용어 처리를 포함한 데이터 정제에 활용할 수 있다. 예를 들어, "새로 나온", "조건" 등과 같은 단어는 텍스트 데이터의 전처리 과정에서 불용어로 처리되지 않았으나, 상품 추천 모델에서 발화내용 추출 결과 중요도가 낮은 단어로 분류된 경우 전처리 과정의 불용어 리스트에 추가되어 데이터를 효과적으로 압축하고 전처리 시간 및 추론 시간을 단축할 수도 있다. 나아가, 발화내용의 특징에 포함된 개별 데이터의 중요도를 기준으로 입력 텍스트 데이터에 대한 배열 생성시 연산 기여도 산출에 활용됨으로써 상품 추천 모델이 실제 사용하는 학습 데이터와 그 학습 데이터에 대한 전처리 과정이 유기적으로 결합되어 모델의 성능이 향상될 수 있다.The
프로세서(110)는 상기 학습 데이터에 포함된 벡터 데이터에 기초하여 상품 추천 정보를 생성할 수 있다. 상기 상품 추천 모델은 적어도 하나 이상의 네트워크 함수를 포함하는 딥러닝 기반 모델일 수 있다. 이하에서는 본 개시에 따라 딥러닝 기반 상품 추천 모델이 벡터 데이터에 기초하여 상품 추천 정보를 생성하는 구체적 실시예를 설명한다.The
본 개시의 일 실시예에 따라, 상기 상품 추천 모델은 적어도 하나 이상의 합성곱(Convolutional) 신경망 및 적어도 하나 이상의 순환(Recurrent) 신경망의 조합으로 이루어질 수 있다. 이 때 상기 순환 신경망은 LSTM(Long Short Term Memory) 모델이 적용된 순환 신경망일 수 있다. 예를 들어, 상기 상품 추천 모델은 CNN 구조의 인공 신경망과 RNN 구조의 인공 신경망을 이어 붙인 구조일 수 있다. 구체적으로, 프로세서(110)는 상품 추천 모델에 텍스트 데이터를 표현하는 벡터 데이터에 관한 배열을 입력할 수 있다. 상기 배열은 1차원의 선형 배열로 텍스트 데이터의 각 인자의 단순 나열일 수도 있고, 전술한 바와 같은 행렬로써 2차원 배열일 수 있다. 프로세서(110)는 상기 텍스트 데이터에 관련한 배열을 상품 추천 모델에 포함된 적어도 하나 이상의 합성곱 신경망에 입력한 후 그 출력을 적어도 하나 이상의 순환 신경망에 입력할 수 있다. According to an embodiment of the present disclosure, the product recommendation model may be formed of a combination of at least one or more convolutional neural networks and at least one or more recurrent neural networks. In this case, the recurrent neural network may be a recurrent neural network to which a Long Short Term Memory (LSTM) model is applied. For example, the product recommendation model may have a structure in which an artificial neural network of a CNN structure and an artificial neural network of an RNN structure are connected. Specifically, the
상품 추천 모델의 최종 결과 값은 도 5를 참조하여 설명된다. 도 5는 본 개시의 일 실시예에 따른 상품 추천 모델의 최종 결과 중 일부 데이터를 도시한 예시도이다. 프로세서(110)는 상품 추천 모델의 출력인 상품 추천 정보에 포함된 각 상품에 대한 계약 확률(510)과 학습 데이터의 상품 계약 정보에 포함된 각 상품에 대한 실제 계약 여부(530)를 비교하여 상품 추천 모델이 그 차이를 오차로서 학습하도록 역전파(backpropagation)시킬 수 있다. 이에 따라 상품 추천 모델은 합성곱 신경망을 포함함으로써 입력되는 텍스트 데이터의 특성을 다양하고 깊이 있게 이해 및 분석할 수 있을 뿐만 아니라 이를 순차적으로 순환 신경망에 입력한 뒤 결과를 도출함으로써 연속되는 텍스트 데이터 간의 관계까지 고려하여 상품 계약 확률을 출력할 수 있다. 일반적으로 합성곱 신경망으로만 인공 신경망이 구성된 경우 이미지 등을 포함하는 특정 시점(time)을 갖는 입력 데이터에 대한 분석 능력이 증가하나 여러 시점의 서로 다른 입력 데이터 상호간 영향을 해석하는데 한계가 있다. 한편 순환 신경망으로만 인공 신경망이 구성된 경우 텍스트 데이터를 포함한 시간 순서에 따른 순차 데이터를 분석하는 데 있어서 데이터 상호간 영향 및 의미를 분석하는데 높은 성능을 보이나, 개별 데이터에 대한 깊은 분석은 한계가 있다. 따라서 본 개시에 있어서 프로세서(110)는 전술한 바와 같이 적어도 하나 이상의 합성곱 신경망 및 적어도 하나 이상의 순환 신경망의 조합을 상품 추천 모델로 사용함으로써 합성곱 신경망 단독으로 또는 순환 신경망 단독으로 신경망을 구성하는 것보다 텍스트 데이터에 대한 분석 효율이 증가된다. 즉, 텍스트 데이터의 개별 단위에 대해 깊은 분석 및 의미 추출을 수행한 뒤, 이를 전후 텍스트 데이터와 상호 의미 분석까지 수행하므로 상품 추천 모델의 성능을 증가시킬 수 있다.The final result value of the product recommendation model will be described with reference to FIG. 5 . 5 is an exemplary diagram illustrating some data among final results of a product recommendation model according to an embodiment of the present disclosure. The
본 개시의 일 실시예에 따르면 프로세서(110)는 상기 상품 추천 모델이 상기 학습 데이터의 파싱 트리(parsing tree) 기반 구문 분석 정보로부터 키워드를 추출하고 상기 키워드에 기초하여 상품 추천 정보 생성하도록 학습시킬 수 있다. 상기 파싱 트리는 전술한 바와 같이 텍스트 데이터를 구성하는 각 문장의 구성요소(명사구, 동사구, 형용사구 등)를 내부 노드의 값으로 보유할 수 있다. 따라서 프로세서(110)는 파싱 트리의 분석 결과에 포함된 문장 구조에 기초하여 상기 딥러닝 기반 상품 추천 모델을 학습할 수 있다. 예를 들어, "안녕하세요", "감사합니다." 등의 단순 동사구로 이루어진 문장보다 "가능 할까요?", "계약을 원합니다."등의 명사구에 동사구가 결합된 형태의 문장이 상품 계약과 관련하여 보다 많은 의미를 가질 수 있다. 따라서 프로세서(110)는 파싱 트리 기반 구문 분석의 결과 각 문장의 구조를 텍스트 데이터와 함께 딥 러닝 기반 상품 추천 모델에 입력하여, 상기 상품 추천 모델이 더 높은 가중치를 두어 인식해야 하는 문장구조 및 단어의 위치를 제공하고 이를 통해 키워드를 추출할 수 있다. 상기 키워드는 문장, 구, 단어, 형태소 등을 포함한다. 그리고 프로세서(110)는 키워드를 추출하여 텍스트 데이터에 포함된 키워드의 수, 출현 빈도 등에 기초하여 최종 상품 추천 정보를 생성할 수 있다. 전술한 바와 같이 파싱 트리 기반 구문 분석에 따른 문장 구조를 상품 추천 모델에 추가적으로 입력하거나 feeding 함으로써 상품 추천 모델은 방대한 양의 텍스트 데이터가 입력될 경우 다른 부분보다 중요한 문장 및 단어의 후보를 보다 빠르게 추출할 수 있고, 이는 추천 모델의 성능 및 출력 속도를 향상시키는 효과가 있다.According to an embodiment of the present disclosure, the
본 개시의 일 실시예에 따라 프로세서(110)는 신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고, 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성할 수 있다. 상기 학습된 변환 모델에서 음성 데이터로부터 텍스트 데이터를 얻고, 상품 추천 모델에 의해 텍스트 데이터에서 상품 추천 정보를 획득할 수 있게 됨으로써, 본 개시는 직접 텍스트 데이터를 작성하거나, 해당 텍스트 데이터를 하나하나 분석할 필요없이, 음성 데이터의 수신만으로 상품 추천이 가능해지는 효과가 있다. 또다른 실시예에서 프로세서(110)는 상기 상품 추천 정보에 기반하여 고객이 상품을 계약한 경우, 해당 고객의 텍스트 데이터를 이용하여 상기 상품 추천 모델을 재학습 할 수 있다. 상기 모델 재학습은 최종적으로 계약을 진행한 고객의 텍스트 데이터를 학습 데이터로 입력하여 적어도 1 회 이상 모델의 학습을 반복함으로써 수행될 수 있다. 전술한 바와 같은 모델 재학습은 방대한 양의 텍스트 데이터에서 마케팅 수행 결과 계약에 성공한 고객의 발화 내용을 모델이 수 차례 더 학습하게 함으로써 계약 확률이 높은 고객의 발화내용의 특징을 상품 추천 모델이 보다 잘 이해하고 높은 가중치를 두게 되어 모델의 성능을 향상시키는 효과를 가져온다.According to an embodiment of the present disclosure, the
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.One of ordinary skill in the art of this disclosure will understand that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, instructions, information, signals, bits, symbols, and chips that may be referenced in the above description are voltages, currents, electromagnetic waves, magnetic fields or particles, optical field particles or particles, or any combination thereof.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.Those of ordinary skill in the art of the present disclosure will recognize that the various illustrative logical blocks, modules, processors, means, circuits, and algorithm steps described in connection with the embodiments disclosed herein include electronic hardware, (convenience For this purpose, it will be understood that it may be implemented by various forms of program or design code (referred to herein as software) or a combination of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. A person skilled in the art of the present disclosure may implement the described functionality in various ways for each specific application, but such implementation decisions should not be interpreted as a departure from the scope of the present disclosure.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.The various embodiments presented herein may be implemented as methods, apparatus, or articles of manufacture using standard programming and/or engineering techniques. The term article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device. For example, computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash drives. memory devices (eg, EEPROMs, cards, sticks, key drives, etc.). Also, various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the presented processes is an example of exemplary approaches. Based on design priorities, it is to be understood that the specific order or hierarchy of steps in the processes may be rearranged within the scope of the present disclosure. The appended method claims present elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.The description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure is not intended to be limited to the embodiments presented herein, but is to be construed in the widest scope consistent with the principles and novel features presented herein.
Claims (16)
음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하는 동작;
상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하는 동작;
상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하는 동작; 및
신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하는 동작;
을 포함하며, 그리고
상기 상품 계약 정보는,
적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable storage medium, wherein the computer program, when executed on one or more processors, performs the following operations for analyzing customer consultation records using a neural network, the operations comprising:
obtaining text data by inputting the received customer call voice data into a deep learning-based transformation model trained to convert voice information into text information;
generating a training data set based on the text data and product contract information;
learning the product recommendation model to generate product recommendation information by inputting the training data set into a deep learning-based product recommendation model; and
inputting new customer call voice data into the learned transformation model to obtain new text data, and inputting new data based thereon into the product recommendation model to generate product recommendation information;
includes, and
The product contract information is
Including information on at least one product and the result of each product contract,
A computer program stored on a computer-readable storage medium.
상기 텍스트 데이터를 토큰화(Tokenization)하는 작업을 포함하는 전처리 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
a preprocessing operation including tokenization of the text data;
further comprising,
A computer program stored on a computer-readable storage medium.
상기 텍스트 데이터에 대한 형태소 분석, 파싱 트리(parsing tree) 기반 구문 분석 및 상기 텍스트 데이터에 대한 불용어 처리 중 적어도 하나를 포함하는 전처리 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
a preprocessing operation including at least one of morphological analysis of the text data, parsing tree-based syntax analysis, and stopword processing of the text data;
further comprising,
A computer program stored in a computer-readable storage medium.
상기 텍스트 데이터에 대한 토큰화 작업 결과로 획득된 적어도 하나의 토큰에 기초하여 벡터(vector) 데이터를 생성하는 동작;
을 더 포함하며,
상기 벡터 데이터는 토큰 간 의미 유사도를 반영할 수 있도록 생성되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
generating vector data based on at least one token obtained as a result of a tokenization operation on the text data;
further comprising,
The vector data is generated to reflect the semantic similarity between tokens,
A computer program stored on a computer-readable storage medium.
상기 텍스트 데이터에 포함된 문장에 대해 사전 결정된 개수의 인자를 추출하여 배열을 생성하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
generating an array by extracting a predetermined number of factors from the sentences included in the text data;
further comprising,
A computer program stored in a computer-readable storage medium.
상기 사전 결정된 개수의 인자는, 연산 기여도에 기초하여 추출되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
6. The method of claim 5,
The predetermined number of factors are extracted based on the calculation contribution,
A computer program stored on a computer-readable storage medium.
상기 배열을 사전 결정된 크기를 입력으로 받는 합성곱(Convolutional) 신경망에 입력하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
6. The method of claim 5,
inputting the array into a convolutional neural network receiving a predetermined size as an input;
further comprising,
A computer program stored on a computer-readable storage medium.
상기 상품 추천 모델은,
상기 학습 데이터에 포함된 발화내용의 특징을 추출하도록 학습되며,
상기 발화내용의 특징은 학습 데이터에 포함된 개별 데이터의 중요도를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
The product recommendation model mentioned above,
It is learned to extract the characteristics of the speech content included in the learning data,
The characteristics of the utterance include the importance of individual data included in the learning data,
A computer program stored in a computer-readable storage medium.
상기 발화내용의 특징에 기초한 불용어 처리를 포함하는 전처리 동작; 및
상기 발화내용의 특징에 기초하여 연산 기여도를 산출하는 동작;
중 적어도 하나를 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
9. The method of claim 8,
a pre-processing operation including stop-word processing based on the characteristics of the utterance content; and
calculating a calculation contribution based on the characteristics of the utterance content;
further comprising at least one of
A computer program stored on a computer-readable storage medium.
상기 상품 추천 모델은,
상기 학습 데이터에 포함된 벡터 데이터에 기초하여 상품 추천 정보를 생성하도록 학습되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
The product recommendation model mentioned above,
Learned to generate product recommendation information based on the vector data included in the learning data,
A computer program stored on a computer-readable storage medium.
상기 상품 추천 모델은,
적어도 하나 이상의 합성곱(Convolutional) 신경망 및 적어도 하나 이상의 순환(Recurrent) 신경망의 조합으로 이루어진,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
The product recommendation model mentioned above,
Consisting of a combination of at least one or more convolutional neural networks and at least one or more recurrent neural networks,
A computer program stored in a computer-readable storage medium.
상기 순환(Recurrent) 신경망은 LSTM(Long Short Term Memory) 모델이 적용된,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
12. The method of claim 11,
The recurrent neural network is a Long Short Term Memory (LSTM) model applied,
A computer program stored in a computer-readable storage medium.
상기 상품 추천 모델은,
상기 학습 데이터의 파싱 트리(parsing tree) 기반 구문 분석 정보로부터 키워드를 추출하고, 상기 키워드에 기초하여 상품 추천 정보를 생성하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
The product recommendation model mentioned above,
Extracting a keyword from the parsing tree-based syntax analysis information of the learning data, and generating product recommendation information based on the keyword,
A computer program stored on a computer-readable storage medium.
상기 상품 추천 정보에 기반하여 고객이 상품을 계약한 경우, 해당 고객의 텍스트 데이터를 이용하여 상기 상품 추천 모델을 재학습하는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
The method of claim 1,
re-learning the product recommendation model using text data of the customer when the customer signs a product contract based on the product recommendation information;
further comprising,
A computer program stored in a computer-readable storage medium.
음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하는 단계;
상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하는 단계;
상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하는 단계; 및
신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하는 단계;
를 포함하며, 그리고
상기 상품 계약 정보는,
적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함하는,
신경망을 이용한 고객 상담 기록 분석 방법.
As a method for analyzing customer consultation records using a neural network,
obtaining text data by inputting the received customer call voice data into a deep learning-based transformation model trained to convert voice information into text information;
generating a training data set based on the text data and product contract information;
learning the product recommendation model to generate product recommendation information by inputting the training data set into a deep learning-based product recommendation model; and
generating product recommendation information by inputting new customer call voice data into the learned transformation model to obtain new text data and inputting new data based thereon into the product recommendation model;
includes, and
The product contract information is
Including information on at least one product and the result of each product contract,
A method of analyzing customer service records using neural networks.
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
음성 정보를 문자 정보로 변환하도록 학습된 딥러닝 기반 변환 모델에 수신된 고객 콜 음성 데이터를 입력하여 텍스트 데이터를 획득하고,
상기 텍스트 데이터 및 상품 계약 정보를 기초로 학습 데이터 세트를 생성하고,
상기 학습 데이터 세트를 딥러닝 기반 상품 추천 모델에 입력하여 상기 상품 추천 모델이 상품 추천 정보를 생성하도록 학습하고,
신규 고객 콜 음성 데이터를 상기 학습된 변환 모델에 입력하여 신규 텍스트 데이터를 얻고 이에 기초한 신규 데이터를 상기 상품 추천 모델에 입력하여 상품 추천 정보를 생성하고, 그리고
상기 상품 계약 정보는,
적어도 하나 이상의 상품에 대한 정보 및 각 상품 계약 여부 결과를 포함하는,
신경망을 이용한 고객 상담 기록 분석을 위한 서버.
As a server for analyzing customer consultation records using a neural network,
a processor including one or more cores; and
Memory;
including,
The processor is
Input the received customer call voice data to a deep learning-based transformation model trained to convert voice information into text information to acquire text data,
generate a training data set based on the text data and product contract information;
By inputting the training data set into a deep learning-based product recommendation model, the product recommendation model learns to generate product recommendation information,
Input new customer call voice data to the learned transformation model to obtain new text data, and input new data based on this into the product recommendation model to generate product recommendation information, and
The product contract information is
Including information on at least one product and the result of each product contract,
Server for customer consultation record analysis using neural network.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200063780A KR102418260B1 (en) | 2020-05-27 | 2020-05-27 | Method for analyzing customer consultation record |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200063780A KR102418260B1 (en) | 2020-05-27 | 2020-05-27 | Method for analyzing customer consultation record |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210146671A true KR20210146671A (en) | 2021-12-06 |
KR102418260B1 KR102418260B1 (en) | 2022-07-06 |
Family
ID=78936414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200063780A KR102418260B1 (en) | 2020-05-27 | 2020-05-27 | Method for analyzing customer consultation record |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102418260B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074317A (en) * | 2023-02-20 | 2023-05-05 | 王春辉 | Service resource sharing method and server based on big data |
CN118194864A (en) * | 2024-05-17 | 2024-06-14 | 上海通创信息技术股份有限公司 | Potential user mining method and system based on voice analysis |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180002944A (en) * | 2016-06-29 | 2018-01-09 | 한밭대학교 산학협력단 | Big data recommand system and method for suggesting the optimum goods |
KR20180121120A (en) * | 2017-04-28 | 2018-11-07 | (주)아틀라스가이드 | A machine learning based voice ordering system that can combine voice, text, visual interfaces to purchase products through mobile divices |
JP2018181326A (en) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | Personalized products recommendation using deep learning |
KR20190085098A (en) * | 2017-02-23 | 2019-07-17 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | Keyword extraction method, computer device, and storage medium |
KR20190137008A (en) * | 2018-05-31 | 2019-12-10 | 주식회사 마인즈랩 | A method for classifying documents with detailed description |
-
2020
- 2020-05-27 KR KR1020200063780A patent/KR102418260B1/en active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180002944A (en) * | 2016-06-29 | 2018-01-09 | 한밭대학교 산학협력단 | Big data recommand system and method for suggesting the optimum goods |
KR20190085098A (en) * | 2017-02-23 | 2019-07-17 | 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 | Keyword extraction method, computer device, and storage medium |
JP2018181326A (en) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | Personalized products recommendation using deep learning |
KR20180121120A (en) * | 2017-04-28 | 2018-11-07 | (주)아틀라스가이드 | A machine learning based voice ordering system that can combine voice, text, visual interfaces to purchase products through mobile divices |
KR20190137008A (en) * | 2018-05-31 | 2019-12-10 | 주식회사 마인즈랩 | A method for classifying documents with detailed description |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116074317A (en) * | 2023-02-20 | 2023-05-05 | 王春辉 | Service resource sharing method and server based on big data |
CN116074317B (en) * | 2023-02-20 | 2024-03-26 | 新疆八达科技发展有限公司 | Service resource sharing method and server based on big data |
CN118194864A (en) * | 2024-05-17 | 2024-06-14 | 上海通创信息技术股份有限公司 | Potential user mining method and system based on voice analysis |
Also Published As
Publication number | Publication date |
---|---|
KR102418260B1 (en) | 2022-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Millstein | Natural language processing with python: natural language processing using NLTK | |
Sundararajan et al. | Multi‐Rule Based Ensemble Feature Selection Model for Sarcasm Type Detection in Twitter | |
Rani et al. | An efficient CNN-LSTM model for sentiment detection in# BlackLivesMatter | |
CN113326374B (en) | Short text emotion classification method and system based on feature enhancement | |
Bokka et al. | Deep Learning for Natural Language Processing: Solve your natural language processing problems with smart deep neural networks | |
KR102418260B1 (en) | Method for analyzing customer consultation record | |
Majeed et al. | Deep-EmoRU: mining emotions from roman urdu text using deep learning ensemble | |
CN111339772B (en) | Russian text emotion analysis method, electronic device and storage medium | |
Voloshyn et al. | Sentiment analysis technology of English newspapers quotes based on neural network as public opinion influences identification tool | |
CN112185361A (en) | Speech recognition model training method and device, electronic equipment and storage medium | |
Zhu | Machine reading comprehension: Algorithms and practice | |
US11875128B2 (en) | Method and system for generating an intent classifier | |
Shlkamy et al. | A Russia-Ukraine Conflict Tweets Sentiment Analysis Using Bidirectional LSTM Network | |
Muñoz-Valero et al. | Using recurrent neural networks for part-of-speech tagging and subject and predicate classification in a sentence | |
Lee | Natural Language Processing: A Textbook with Python Implementation | |
KR102626714B1 (en) | Twofold semi-automatic symbolic propagation method of training data for natural language understanding model, and device therefor | |
Rehman et al. | Urdu sentiment analysis | |
Yadav et al. | Intelligent Chatbot Using GNMT, SEQ-2-SEQ Techniques | |
Fergus et al. | Natural language processing | |
Alvarado et al. | Detecting Disaster Tweets using a Natural Language Processing technique | |
CN107729509A (en) | The chapter similarity decision method represented based on recessive higher-dimension distributed nature | |
Hodeghatta et al. | Introduction to natural language processing | |
Worke | INFORMATION EXTRACTION MODEL FROM GE’EZ TEXTS | |
Mirasdar et al. | Graph of Words Model for Natural Language Processing | |
Aparna et al. | A review on different approaches of pos tagging in NLP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |