KR20230010794A - 인공지능을 이용한 창작물 등급 분류 장치 및 방법 - Google Patents
인공지능을 이용한 창작물 등급 분류 장치 및 방법 Download PDFInfo
- Publication number
- KR20230010794A KR20230010794A KR1020230002147A KR20230002147A KR20230010794A KR 20230010794 A KR20230010794 A KR 20230010794A KR 1020230002147 A KR1020230002147 A KR 1020230002147A KR 20230002147 A KR20230002147 A KR 20230002147A KR 20230010794 A KR20230010794 A KR 20230010794A
- Authority
- KR
- South Korea
- Prior art keywords
- rating
- text data
- data
- artificial intelligence
- years old
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
전처리부, 등급 판정부, 텍스트 변환부, 인터페이스부를 포함하는 인공지능을 이용하여 창작물의 등급을 분류하는 장치 및 방법이 개시된다. 본 발명에 따르면, 인공지능을 이용하여 창작물의 등급을 자동으로 분류할 수 있으며, 또한, 창작물에 포함된 데이터를 기준 등급에 맞게 자동으로 변환할 수 있다.
Description
인공지능을 이용한 창작물 등급 분류를 위한 기술로서 특히, 인공지능을 이용하여 창작물에 포함된 데이터를 기준 등급에 맞게 자동으로 변환하는 장치 및 방법에 관한 것이다.
최근 웹툰, 웹소설 및 온라인 동영상 서비스 등 온라인을 통한 창작물의 유통이 매우 활발하게 이루어지고 있다. 또한, 온라인을 통한 창작물 유통 서비스의 경우, 창작자가 자신의 창작물을 직접 등록할 수 있다. 반면, 창작자가 직접 창작물을 등록하는 경우, 해당 창작물이 정해진 연령 등급에 적합한지 여부를 판단하기 어렵다.
공개특허 10-2013-0050793의 경우, 방송 프로그램의 유해 등급에 기초하여 방송 프로그램 별로 시청 단계 정보를 제공하는 방법을 개시하고 있다. 그러나, 해당 발명은 유해 등급을 자동으로 판정하는 방법을 개시하고 있지 않다.
인공지능을 이용하여 창작물의 등급을 분류하는 장치 및 방법을 제공하는데 목적이 있다.
일 양상에 따르면, 인공지능을 이용한 창작물 등급 분류 장치는 창작물에 포함된 음성 데이터 및 이미지 데이터 중 적어도 하나를 기초로 텍스트 데이터를 생성하는 전처리부; 텍스트 데이터를 소정 단위 별로 분류하여 하나 이상의 분석 텍스트 데이터를 생성하며, 인공 신경망을 이용하여 하나 이상의 분석 텍스트 데이터의 등급을 판정하는 등급 판정부를 포함할 수 있다.
인공 신경망은 하나 이상의 카테고리 별로 하나 이상의 등급에 대한 레이블이 부여된 등급 기준 데이터 세트로 학습되며, 분석 텍스트 데이터가 하나 이상의 카테고리 별로 소정 등급에 해당할 확률을 추정할 수 있다.
등급 판정부는 하나 이상의 카테고리 별로 소정 이상의 확률을 가지는 하나 이상의 등급 중 등급이 가장 높은 등급을 해당 카테고리의 등급으로 결정할 수 있다.
등급 판정부는 하나 이상의 카테고리 별로 가장 높은 확률을 가지는 등급을 해당 카테고리의 등급으로 결정할 수 있다.
등급 판정부는 소정 등급 별로 미리 정해진 점수를 기초로 하나 이상의 카테고리 별 등급 점수를 합산하여 분석 텍스트 데이터의 등급을 결정할 수 있다.
하나 이상의 카테고리는 유해성, 선정성, 폭력성, 저속성, 공포성 중 적어도 하나이며, 하나 이상의 등급은 19세, 15세, 12세, 전연령 중 적어도 하나일 수 있다.
창작물 등급 분류 장치는 하나 이상의 분석 텍스트 데이터의 등급과 창작물 사용자 정보에 포함된 사용자 등급을 비교하여 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 사용자 등급에 맞는 텍스트 데이터로 변환하는 텍스트 변환부를 더 포함할 수 있다.
창작물 등급 분류 장치는 데이터를 입출력하는 인터페이스부를 더 포함하며, 텍스트 변환부는 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터, 자동 변환된 분석 텍스트 데이터 및 자동 변환 적절성 여부를 확인하기 위한 데이터 중 적어도 하나를 인터페이스부를 통하여 출력할 수 있다.
텍스트 변환부는 인터페이스부를 통하여 창작자로부터 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터에 대한 수동 변환된 텍스트 데이터를 수신하는 경우, 수신한 수동 변환된 텍스트 데이터를 기초로 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환할 수 있다.
텍스트 변환부는 인터페이스부를 통하여 자동 변환 적절성 여부를 확인하기 위한 데이터에 대한 응답을 수신하며, 응답에 따라 자동 변환된 분석 텍스트 데이터를 기초로 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환할 수 있다.
인공지능을 이용하여 창작물의 등급을 자동으로 분류할 수 있다. 또한, 창작물에 포함된 데이터를 기준 등급에 맞게 자동으로 변환할 수 있다.
도 1은 일 실시예에 따른 창작물 등급 분류 장치의 구성도이다.
도 2는 일 실시예에 따른 등급 판정부의 구성도이다.
도 3은 일 실시예에 따른 텍스트 변환부의 동작을 설명하기 위한 예시도이다.
도 2는 일 실시예에 따른 등급 판정부의 구성도이다.
도 3은 일 실시예에 따른 텍스트 변환부의 동작을 설명하기 위한 예시도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 창작물 등급 분류 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명한다.
도 1은 일 실시예에 따른 창작물 등급 분류 장치의 구성도이다.
일 실시예에 따르면, 창작물 등급 분류 장치(100)는 창작물에 포함된 음성 데이터 및 이미지 데이터 중 적어도 하나를 기초로 텍스트 데이터를 생성하는 전처리부(110) 및 텍스트 데이터를 소정 단위 별로 분류하여 하나 이상의 분석 텍스트 데이터를 생성하며, 인공 신경망을 이용하여 하나 이상의 분석 텍스트 데이터의 등급을 판정하는 등급 판정부(120)를 포함할 수 있다.
일 실시예에 따르면, 하나 이상의 카테고리는 유해성, 선정성, 폭력성, 저속성, 공포성 중 적어도 하나이며, 하나 이상의 등급은 19세, 15세, 12세, 전연령 중 적어도 하나일 수 있다.
일 예에 따르면, 전처리부(110)는 창작물에 포함된 음성 데이터를 텍스트 데이터로 변환할 수 있다. 예를 들어, 창작물이 영화, 라디오와 같이 음성 데이터를 포함하는 경우, 전처리부(110)는 창작물에 포함된 하나 이상의 인물의 대사를 인식하여 텍스트 데이터를 생성할 수 있다.
일 예에 따르면, 전처리부(120)는 창작물에 포함된 이미지 데이터를 텍스트 데이터로 변환할 수 있다. 예를 들어, 창작물이 만화, 웹툰, 웹소설과 같이 문자 이미지 데이터를 포함하는 경우, 전처리부는 이미지 데이터에 포함된 문자를 인식하여 텍스트 데이터를 생성할 수 있다.
일 실시예에 따르면, 인공 신경망은 하나 이상의 카테고리 별로 하나 이상의 등급에 대한 레이블이 부여된 등급 기준 데이터 세트로 학습될 수 있다.
일 예에 따르면, 등급 기준 데이터는 "유해성 19세, 유해성 15세, 유해성 12세, 유해성 전연령", "폭력성 19세, 폭력성 15세, 폭력성 12세 폭력성 전연령" 등으로 분류된 카테고리 별 등급 레이블된 데이터일 수 있다.
일 실시예에 따르면, 인공 신경망은 분석 텍스트 데이터가 하나 이상의 카테고리 별로 소정 등급에 해당할 확률을 추정할 수 있다.
도 2는 일 실시예에 따른 등급 판정부의 구성도이다.
도 2를 참조하면, 등급 판정부(120)는 하나 이상의 인공 신경망(121)을 포함할 수 있다.
일 예를 들어, 인공 신경망(121)은 하나 이상의 분석 텍스트 데이터를 수신할 수 있으며, 수신된 분석 텍스트 데이터를 분석하여 해당 분석 텍스트 데이터가 특정 등급에 해당할 확률을 추정할 수 있다.
일 예를 들어, 인공 신경망(121)은 하나의 분석 데이터에 대하여 "유해성 = 19세: 00%, 15세: 00%, 12세: 00%, 전연령: 00%", "유해성 = 19세: 00%, 15세: 00%, 12세: 00%, 전연령: 00%", "유해성 = 19세: 00%, 15세: 00%, 12세: 00%, 전연령: 00%"과 같이 카테고리 별 등급에 해당할 확률을 추정할 수 있다.
일 실시예에 따르면, 등급 판정부(120)는 하나 이상의 카테고리 별로 소정 이상의 확률을 가지는 하나 이상의 등급 중 등급이 가장 높은 등급을 해당 카테고리의 등급으로 결정할 수 있다.
예를 들어, 분석 텍스트 데이터를 분석한 결과 "유해성 = 19세: 30%, 15세: 40%, 12세: 25%, 전연령: 5%"이며, 소정 기준 확률이 30%인 경우, 등급 판정부(120)는 소정 기준 확률 이상인 "19세: 30%, 15세: 40%"중 등급이 가장 높은 "19세" 등급을 "유해성"에 대한 해당 분석 텍스트 데이터의 등급으로 결정할 수 있다.
일 실시예에 따르면, 등급 판정부(120)는 하나 이상의 카테고리 별로 가장 높은 확률을 가지는 등급을 해당 카테고리의 등급으로 결정할 수 있다.
예를 들어, 분석 텍스트 데이터를 분석한 결과 "유해성 = 19세: 30%, 15세: 40%, 12세: 25%, 전연령: 5%"인 경우, 등급 판정부(120)는 가장 높은 확률을 가지는 "15세" 등급을 "유해성"에 대한 해당 분석 텍스트 데이터의 등급으로 결정할 수 있다.
일 실시예에 따르면, 등급 판정부(120)는 소정 등급 별로 미리 정해진 점수를 기초로 하나 이상의 카테고리 별 등급 점수를 합산하여 분석 텍스트 데이터의 등급을 결정할 수 있다.
일 예를 들어, 소정 분석 텍스트 데이터를 분석한 결과 카테고리별로 "유해성 12세, 선정성 15세, 폭력성 19세"의 결과를 얻은 경우, 등급 판정부(120)는 각 카테고리 별 점수를 합산할 수 있다. 예를 들어, "19세 = 5, 15세 = 3, 12세 = 1, 전연령 = 0"인 경우, "유해성 12세, 선정성 15세, 폭력성 19세"의 합산 점수는 "9점"으로 결정될 수 있다.
일 예를 들어, 합산 점수를 소정의 기준으로 분류하여 분석 텍스트 데이터의 등급을 결정할 수 있다. 예를 들어, 등급 분류 기준 점수가 예를 들어, "19세 = 10~15, 15세 = 6~9, 12세 = 3~5, 전연령 = 0~2"인 경우, 합산 점수 "9점"의 분석 텍스트 데이터의 등급은 "15세"로 결정될 수 있다.
일 예에 따르면, 창작물 전체 등급은 하나 이상의 분석 텍스트 데이터 합산 점수의 평균을 기준으로 결정될 수 있다. 예를 들어, "19세 = 10~15, 15세 = 6~9, 12세 = 3~5, 전연령 = 0~2"이며, 하나 이상의 분석 텍스트 데이터 합산 점수의 평균이 "9점"인 경우, 창작물 전체의 등급은 "15세"로 결정될 수 있다.
일 예에 따르면, 창작물 전체의 등급은 하나 이상의 분석 텍스트 데이터의 등급 분포에 따라 결정될 수 있다. 예를 들어, "19세 = 25%, 15세 = 35%, 12세 = 30%, 전연령 = 10%"인 경우, 가장 높은 분포를 가지는 "15세"를 창작물 전체의 등급으로 결정할 수 있다.
다른 예를 들어, 창작물 전체의 등급은 소정 분포값 이상의 가지는 등급 중 가장 높은 등급을 기준으로 결정될 수 있다. 예를 들어, 기준값이 10%이며, "19세 = 5%, 15세 = 15%, 12세 = 10%, 전연령 = 70%"인 경우, 기준값 이상의 분포를 가지는 "19세, 15세, 12세" 중 가장 등급이 높은 "19세"를 창작물 전체의 등급으로 결정할 수 있다.
일 실시예에 따르면, 창작물 등급 분류 장치(100)는 하나 이상의 분석 텍스트 데이터의 등급과 창작물 사용자 정보에 포함된 사용자 등급을 비교하여 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 사용자 등급에 맞는 텍스트 데이터로 변환하는 텍스트 변환부(130)를 더 포함할 수 있다.
일 실시예에 따르면, 텍스트 변환부(130)는 등급별로 분류된 말뭉치 쌍을 이용하여 분석 텍스트 데이터를 변환할 수 있다. 예를 들어, 분석 텍스트 데이터의 등급이 기준 등급 이상인 경우, 텍스트 변환부(130)는 해당 분석 텍스트 데이터와 유사한 의미를 가지는 텍스트 데이터를 쌍을 이루는 말뭉치에서 검색하며, 검색된 텍스트를 기초로 변환된 텍스트 데이터를 생성할 수 있다.
예를 들어, "이 OO아 "라는 분석 텍스트 데이터의 등급을 판정할 결과, 기준 등급 이상으로 판정된 경우, 텍스트 변환부(130)는 "이 OO야"와 유사한 의미를 가지는 텍스트를 검색하여 변환시킬 수 있다.
일 예에 따르면, 텍스트 변환부(130)는 통계적 방식을 통하여 분석 텍스트 데이터를 소정의 텍스트 데이터와 매칭하여 변환할 수 있다. 예를 들어, 텍스트 변환부(130)는 SMT(Statistical Machine Translation), RBMT(Rule-Based Machine Translation)와 같이 기계 번역에서 사용되는 기술을 이용하여 분석 텍스트 데이터를 소정의 텍스트 데이터로 변환할 수 있다.
일 실시예에 따르면, 창작물 등급 분류 장치(100)는 데이터를 입출력하는 인터페이스부(140)를 더 포함할 수 있다.
일 실시예에 따르면, 텍스트 변환부(130)는 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터, 자동 변환된 분석 텍스트 데이터 및 자동 변환 적절성 여부를 확인하기 위한 데이터 중 적어도 하나를 인터페이스부(140)를 통하여 출력할 수 있다.
도 3은 일 실시예에 따른 텍스트 변환부의 동작을 설명하기 위한 예시도이다.
도 3을 참조하면, 일 예로, 텍스트 변환부는 분석 텍스트 데이터에 대한 원문, 자동 변환된 분석 텍스트 데이터를 자동 변환문을 인터페이스부를 통하여 출력할 수 있으며, 출력된 자동 변환된 분석 텍스트 데이터가 적절한지 여부를 확인하기 위한 확인 및 거절을 선택할 수 있는 데이터를 출력할 수 있다.
일 실시예에 따르면, 텍스트 변환부는 인터페이스부를 통하여 자동 변환 적절성 여부를 확인하기 위한 데이터에 대한 응답을 수신하며, 응답에 따라 자동 변환된 분석 텍스트 데이터를 기초로 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환할 수 있다.
일 예를 들어, 창작자가 해당 원문 및 자동 변환문을 검토한 후, 자동 변환된 결과가 적절하다고 판단되는 경우, 창작자는 확인을 입력함으로써 해당 자동 번역문을 확정할 수 있다.
예를 들어, 텍스트 변환부는 "이 OO야"에 대한 원문 데이터와 "이 XX야"에 대한 자동 변환문 데이터를 인터페이스부를 통하여 출력할 수 있으며, 출력된 자동 변환문에 대한 응답을 수신할 수 있다.
일 예를 들어, 자동 변환문이 적절하다는 응답을 수신하는 경우, 텍스트 변환부는 "이 OO야"를 "이 XX야"로 최종 변환할 수 있다.
일 예에 따르면, 텍스트 변환부는 인터페이스부를 통하여 창작자로부터 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터에 대한 수동 변환된 텍스트 데이터를 수신하는 경우, 수신한 수동 변환된 텍스트 데이터를 기초로 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환할 수 있다.
도 3를 참조하면, 창작자는 인터페이스부를 통하여 수동 변환문을 입력할 수 있다. 이후, 텍스트 변환부는 창작자가 입력한 수동 변환문을 수신하는 경우, 수신한 수동 변환문을 기초로 원문을 변환할 수 있다.
예를 들어, 텍스트 변환부는 "이 OO야"에 대한 원문 데이터를 출력할 수 있으며, 이에 대하여 창작자로부터 "이 旬야"에 대한 수동 변환문을 입력 받는 경우, , 텍스트 변환부는 "이 OO야"를 "이 旬야"로 최종 변환할 수 있다.
일 실시예에 따르면, 창작물 등급 분류 장치는 텍스트 데이터의 변환이 완료된 후, 변환된 텍스트 데이터를 등급 판정부에 다시 입력하여 변환된 텍스트 데이터의 등급이 소정 등급으로 판정되는지 여부를 확인할 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 창작물 등급 분류 장치
110: 전처리부
120: 등급 판정부
130: 텍스트 변환부
140: 인터페이스부
110: 전처리부
120: 등급 판정부
130: 텍스트 변환부
140: 인터페이스부
Claims (7)
- 창작물에 포함된 음성 데이터 및 이미지 데이터 중 적어도 하나를 기초로 텍스트 데이터를 생성하는 전처리부;
상기 텍스트 데이터를 소정 단위 별로 분류하여 하나 이상의 분석 텍스트 데이터를 생성하며, 인공 신경망을 이용하여 상기 하나 이상의 분석 텍스트 데이터의 등급을 판정하는 등급 판정부;
상기 하나 이상의 분석 텍스트 데이터의 등급과 창작물 사용자 정보에 포함된 사용자 등급을 비교하여 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 사용자 등급에 맞는 텍스트 데이터로 변환하는 텍스트 변환부; 및
데이터를 입출력하는 인터페이스부;를 포함하고,
상기 텍스트 변환부는, 상기 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터, 자동 변환된 분석 텍스트 데이터 및 자동 변환 적절성 여부를 확인하기 위한 데이터 중 적어도 하나를 상기 인터페이스부를 통하여 출력하고,
상기 텍스트 변환부는,
상기 인터페이스부를 통하여 상기 자동 변환 적절성 여부를 확인하기 위한 데이터에 대한 응답을 수신하며, 상기 응답에 따라 상기 자동 변환된 분석 텍스트 데이터를 기초로 상기 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환하는, 인공지능을 이용한 창작물 등급 분류 장치. - 제 1 항에 있어서,
상기 인공 신경망은
하나 이상의 카테고리 별로 하나 이상의 등급에 대한 레이블이 부여된 등급 기준 데이터 세트로 학습되며,
분석 텍스트 데이터가 하나 이상의 카테고리 별로 소정 등급에 해당할 확률을 추정하는, 인공지능을 이용한 창작물 등급 분류 장치. - 제 2 항에 있어서,
상기 등급 판정부는
하나 이상의 카테고리 별로 소정 이상의 확률을 가지는 하나 이상의 등급 중 등급이 가장 높은 등급을 해당 카테고리의 등급으로 결정하는, 인공지능을 이용한 창작물 등급 분류 장치. - 제 2 항에 있어서,
상기 등급 판정부는
하나 이상의 카테고리 별로 가장 높은 확률을 가지는 등급을 해당 카테고리의 등급으로 결정하는, 인공지능을 이용한 창작물 등급 분류 장치. - 제 2 항에 있어서,
상기 등급 판정부는
소정 등급 별로 미리 정해진 점수를 기초로 상기 하나 이상의 카테고리 별 등급 점수를 합산하여 상기 분석 텍스트 데이터의 등급을 결정하는, 인공지능을 이용한 창작물 등급 분류 장치. - 제 2 항에 있어서,
상기 하나 이상의 카테고리는 유해성, 선정성, 폭력성, 저속성, 공포성 중 적어도 하나이며, 상기 하나 이상의 등급은 19세, 15세, 12세, 전연령 중 적어도 하나인, 인공지능을 이용한 창작물 등급 분류 장치. - 제 1 항에 있어서,
상기 텍스트 변환부는
상기 인터페이스부를 통하여 창작자로부터 상기 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터에 대한 수동 변환된 텍스트 데이터를 수신하는 경우, 수신한 수동 변환된 텍스트 데이터를 기초로 상기 사용자 등급보다 높은 등급을 가지는 분석 텍스트 데이터를 변환하는, 인공지능을 이용한 창작물 등급 분류 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230002147A KR102617320B1 (ko) | 2020-12-04 | 2023-01-06 | 인공지능을 이용한 창작물 등급 분류 장치 및 방법 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200168901A KR102487436B1 (ko) | 2020-12-04 | 2020-12-04 | 창작물 등급 분류 장치 및 방법 |
KR1020230002147A KR102617320B1 (ko) | 2020-12-04 | 2023-01-06 | 인공지능을 이용한 창작물 등급 분류 장치 및 방법 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200168901A Division KR102487436B1 (ko) | 2020-12-04 | 2020-12-04 | 창작물 등급 분류 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230010794A true KR20230010794A (ko) | 2023-01-19 |
KR102617320B1 KR102617320B1 (ko) | 2023-12-21 |
Family
ID=81983962
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200168901A KR102487436B1 (ko) | 2020-12-04 | 2020-12-04 | 창작물 등급 분류 장치 및 방법 |
KR1020230002147A KR102617320B1 (ko) | 2020-12-04 | 2023-01-06 | 인공지능을 이용한 창작물 등급 분류 장치 및 방법 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200168901A KR102487436B1 (ko) | 2020-12-04 | 2020-12-04 | 창작물 등급 분류 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102487436B1 (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070008210A (ko) * | 2005-07-13 | 2007-01-17 | 한국전자통신연구원 | 유해 멀티미디어 정보 차단 방법 및 장치 |
KR20180003224A (ko) * | 2016-06-30 | 2018-01-09 | 김재우 | 음성분석기를 활용한 인터넷방송 시청등급 평가시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101003504B1 (ko) * | 2008-09-24 | 2010-12-30 | 한국전자통신연구원 | 유해 멀티미디어 판별시스템 및 그 판별방법 |
KR101155746B1 (ko) * | 2009-06-19 | 2012-06-12 | 에스케이 텔레콤주식회사 | 문자메시지 그룹 전송 시 존칭 설정 시스템 및 방법, 그리고 이에 적용되는 장치 |
-
2020
- 2020-12-04 KR KR1020200168901A patent/KR102487436B1/ko active IP Right Grant
-
2023
- 2023-01-06 KR KR1020230002147A patent/KR102617320B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070008210A (ko) * | 2005-07-13 | 2007-01-17 | 한국전자통신연구원 | 유해 멀티미디어 정보 차단 방법 및 장치 |
KR20180003224A (ko) * | 2016-06-30 | 2018-01-09 | 김재우 | 음성분석기를 활용한 인터넷방송 시청등급 평가시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20220079284A (ko) | 2022-06-13 |
KR102487436B1 (ko) | 2023-01-11 |
KR102617320B1 (ko) | 2023-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756539B2 (en) | System, apparatus, and method for processing natural language, and non-transitory computer readable recording medium | |
Gu et al. | " what parts of your apps are loved by users?"(T) | |
US11144581B2 (en) | Verifying and correcting training data for text classification | |
KR101983975B1 (ko) | 문장 분류에 기반하는 문서 자동분류 방법 및 그 장치 | |
CN111930914A (zh) | 问题生成方法和装置、电子设备以及计算机可读存储介质 | |
CN112686022A (zh) | 违规语料的检测方法、装置、计算机设备及存储介质 | |
CN112860852A (zh) | 信息分析方法及装置、电子设备和计算机可读存储介质 | |
CN111144102B (zh) | 用于识别语句中实体的方法、装置和电子设备 | |
CN111930792A (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN113010638A (zh) | 实体识别模型生成方法及装置、实体提取方法及装置 | |
CN113868419B (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
CN110738056B (zh) | 用于生成信息的方法和装置 | |
CN113051380A (zh) | 信息生成方法、装置、电子设备和存储介质 | |
CN117351336A (zh) | 图像审核方法和相关设备 | |
CN113343248A (zh) | 一种漏洞识别方法、装置、设备和存储介质 | |
KR20200066119A (ko) | 지식 기반 추론 및 신뢰도 분석을 이용한 가짜뉴스 판별 방법, 이를 수행하기 위한 기록매체 및 장치 | |
JP6806589B2 (ja) | 情報判定モデル学習装置、情報判定装置およびそれらのプログラム | |
KR102487436B1 (ko) | 창작물 등급 분류 장치 및 방법 | |
US20170293597A1 (en) | Methods and systems for data processing | |
CN113377972A (zh) | 多媒体内容推荐方法、装置、计算设备和存储介质 | |
Vysotska et al. | Sentiment Analysis of Information Space as Feedback of Target Audience for Regional E-Business Support in Ukraine. | |
CN109739970B (zh) | 信息处理方法及装置、以及电子设备 | |
KR102518859B1 (ko) | 인공지능 기반 고객 불만 관리 방법 및 장치 | |
Muñoz-Soro et al. | A neural network to identify requests, decisions, and arguments in court rulings on custody | |
KR20200071996A (ko) | 학습 단말기와 서버를 이용한 언어 학습 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |