KR20230076012A - 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 - Google Patents
초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 Download PDFInfo
- Publication number
- KR20230076012A KR20230076012A KR1020210162810A KR20210162810A KR20230076012A KR 20230076012 A KR20230076012 A KR 20230076012A KR 1020210162810 A KR1020210162810 A KR 1020210162810A KR 20210162810 A KR20210162810 A KR 20210162810A KR 20230076012 A KR20230076012 A KR 20230076012A
- Authority
- KR
- South Korea
- Prior art keywords
- conversation
- dialogue
- session
- character
- database
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000010276 construction Methods 0.000 claims abstract description 30
- 230000003190 augmentative effect Effects 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 241000287107 Passer Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Machine Translation (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 언어 모델을 이용한 대화 데이터베이스 구축 방법에 관한 것이다. 언어 모델을 이용한 대화 데이터베이스 구축 방법은, 미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신하는 단계, 언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성하는 단계 및 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축하는 단계를 포함하고, 각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함한다.
Description
본 개시는 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템에 관한 것으로, 구체적으로 캐릭터 챗봇의 대화의 흐름을 세밀하게 제어할 수 있는 페르소나 대화 데이터 생성 방법 및 시스템에 관한 것이다.
특정 서비스와 연관된 정보를 제공받기를 원하는 경우, 사용자는 전문 상담사를 통해 질문과 답변을 주고받으면서 원하는 정보를 얻을 수 있다. 하지만 최근 인건비 상승 및 상담 대기 시간 단축 니즈 등의 이유로, 전문 상담사의 역할을 대신하여 사용자의 질문에 대한 답변을 제공하는 인공 지능 챗봇(chatbot) 서비스가 늘어나고 있다. 한편, 기계가 아닌 사람과 대화하는 것과 같은 경험을 제공하기 위하여, 페르소나 챗봇 서비스를 개발하기 위한 노력이 계속되고 있다.
상기와 같은 문제를 해결하기 위하여, 본 개시의 다양한 실시예들은 대화 데이터베이스 구축 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 언어 모델을 이용한 대화 데이터베이스 구축 방법이 제공된다. 대화 데이터베이스 구축 방법은 미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신하는 단계, 언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성하는 단계 및 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축하는 단계를 포함하고, 각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함한다.
본 개시의 일 실시예에 따르면, 대화 데이터베이스 구축 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따르면, 대화 데이터베이스 구축 시스템이 제공된다. 대화 데이터베이스 구축 시스템은 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신하고, 언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성하고, 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축하기 위한 명령어들을 포함하고, 각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함한다.
본 개시의 다양한 실시예에 따르면, 대화 목적 및 대화 목적에 대응하는 대화 유형을 이용하여 페르소나 대화 데이터를 생성함으로써, 캐릭터 챗봇의 언어적 특징을 유지하면서 대화의 흐름을 세밀하게 제어할 수 있으므로, 사용자에게 캐릭터의 성격이 잘 드러나는 캐릭터 챗봇을 제공할 수 있다.
본 개시의 다양한 실시예에 따르면, 대화 상황을 이용하여 페르소나 대화 데이터를 생성함으로써, 다양한 상황에서의 사용자 발화에 대응하여 알맞은 캐릭터 챗봇의 발화를 제공함으로써 자연스러운 대화를 이어갈 수 있다.
본 개시의 다양한 실시예에 따르면, 초대형 언어 모델을 이용하여, 하나의 시드 대화 세션을 기초로 복수의 증강 대화 세션을 생성함으로써, 캐릭터 챗봇 생성을 위한 방대한 양의 페르소나 대화 데이터를 쉽고 빠르게 생성할 수 있다.
본 개시의 다양한 실시예에 따르면, 캐릭터 페르소나 탐지기를 이용하여, 생성된 페르소나 대화 데이터를 자동으로 검수함으로써 과도한 사람의 노력의 투입 없이 양질의 캐릭터 대화 데이터베이스를 구축할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따라 언어 모델을 이용하여 캐릭터 대화가 포함된 최종 대화 데이터베이스를 구축하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 캐릭터 챗봇 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성과 초대형 언어 모델을 나타내는 블록도이다.
도 4는 일 실시예에 따라, 복수의 대화 목적-대화 유형 쌍을 생성하는 예시를 나타내는 도면이다.
도 5는 일 실시예에 따라, 개략적인 대화 상황을 생성하는 예시를 나타내는 도면이다.
도 6은 일 실시예에 따라, 구체적인 대화 상황을 생성하는 예시를 나타내는 도면이다.
도 7은 일 실시예에 따른, 시드 대화 세션을 생성하기 위한 프롬프트의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라, 초대형 언어 모델을 이용하여 시드 대화 세션에 대응하는 증강 대화 세션을 생성하는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 미리 정의된 캐릭터 성격 맵의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 캐릭터 페르소나 탐지기를 이용하여 최종 대화 데이터베이스를 생성하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따라 성격 필터를 이용하여 대화 세션을 필터링하는 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따라 세계관 필터를 이용하여 증강 대화 세션을 필터링하는 예시를 나타내는 도면이다.
도 13은 본 개시의 일 실시예에 따라 대화체 필터 및 대화체 변환기를 이용하여 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 캐릭터 대화체로 변환하는 예시를 나타내는 도면이다.
도 14는 본 개시의 일 실시예에 따라, 언어 모델을 이용한 대화 데이터베이스 구축 방법을 나타내는 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 캐릭터 챗봇 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성과 초대형 언어 모델을 나타내는 블록도이다.
도 4는 일 실시예에 따라, 복수의 대화 목적-대화 유형 쌍을 생성하는 예시를 나타내는 도면이다.
도 5는 일 실시예에 따라, 개략적인 대화 상황을 생성하는 예시를 나타내는 도면이다.
도 6은 일 실시예에 따라, 구체적인 대화 상황을 생성하는 예시를 나타내는 도면이다.
도 7은 일 실시예에 따른, 시드 대화 세션을 생성하기 위한 프롬프트의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라, 초대형 언어 모델을 이용하여 시드 대화 세션에 대응하는 증강 대화 세션을 생성하는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 미리 정의된 캐릭터 성격 맵의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 캐릭터 페르소나 탐지기를 이용하여 최종 대화 데이터베이스를 생성하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따라 성격 필터를 이용하여 대화 세션을 필터링하는 예시를 나타내는 도면이다.
도 12는 본 개시의 일 실시예에 따라 세계관 필터를 이용하여 증강 대화 세션을 필터링하는 예시를 나타내는 도면이다.
도 13은 본 개시의 일 실시예에 따라 대화체 필터 및 대화체 변환기를 이용하여 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 캐릭터 대화체로 변환하는 예시를 나타내는 도면이다.
도 14는 본 개시의 일 실시예에 따라, 언어 모델을 이용한 대화 데이터베이스 구축 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '초대형 언어 모델(hyperscale language model)'은 퓨샷 러닝(few-shot learning) 등과 같은 방식을 이용하여 파인 튜닝(fine-tuning) 없이 추론이 가능한 언어 모델을 지칭할 수 있으며, 기존의 일반 언어 모델에 비해 10배 이상 많은 매개 변수(예를 들어, 1000억 개 이상의 매개 변수 등)를 가질 수 있다. 예를 들어, 초대형 언어 모델은 하이퍼클로바(HyperCLOVA), GPT 3(Generative Pretrained Transformer 3)일 수 있다. 본 개시에서 초대형 언어 모델은 언어 모델로 지칭될 수 있다.
본 개시에서, '페르소나(persona)'는 특정 성격, 특정 세계관, 그리고 특정 대화체로 인해 고유의 언어적인 특징이 발현되어 다른 캐릭터 또는 인물과 구별되는 특징을 가진 캐릭터를 지칭할 수 있다.
본 개시에서, '챗봇'은, 특정 서비스와 연관된 정보를 제공하거나, 사용자의 발화에 포함된 질문에 대응하는 답변을 제공하는 인공지능(Artificial Intelligence, AI) 기반의 커뮤니케이션 소프트웨어를 지칭할 수 있다. 특정 캐릭터 페르소나를 가지는 챗봇은 캐릭터 챗봇이라고 지칭할 수 있다.
본 개시에서, '발화'는 소리를 내어 말을 하는 언어 행위 또는 해당 언어 행위를 문자 형태로 기술한 것(예를 들어, 텍스트)을 지칭할 수 있다.
본 개시에서, '대화 세션'은 두 명(또는 두 명 이상)의 대화자가 참여하여, 복수의 발화를 포함하는 대화 장면을 지칭할 수 있다. 예를 들어, 대화 세션은 사용자와 캐릭터 챗봇 사이의 대화일 수 있으며, 이 경우, 사용자 발화와 캐릭터 발화를 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따라 언어 모델을 이용하여 캐릭터 대화가 포함된 최종 대화 데이터베이스(160)를 구축하는 예시를 나타내는 도면이다. 캐릭터 챗봇은 사용자의 발화에 대응하여 특정 캐릭터 페르소나를 유지한 캐릭터 발화를 제공할 수 있다. 이러한 캐릭터 챗봇을 생성하기 위해서는 캐릭터의 대화체, 세계관 및 성격을 설정할 필요가 있다. 여기서, 캐릭터의 대화체는 캐릭터의 말투를 지칭할 수 있다. 말투는 발화의 의미와 독립적으로 표현되는 문장의 구조적인 정보를 지칭할 수 있다. 또한, 캐릭터의 세계관은 캐릭터가 보유한 고유의 이야기를 지칭할 수 있다. 즉, 캐릭터 챗봇은 캐릭터의 배경을 구성하는 이야기의 맥락을 유지하는 캐릭터 발화를 제공할 수 있다. 또한, 캐릭터의 성격은 특정 상황에서의 일관된 캐릭터의 대화 패턴을 지칭할 수 있다.
이와 같은, 캐릭터의 대화체, 세계관 및 성격을 포함한 캐릭터 챗봇을 생성하기 위해서는 방대한 캐릭터 대화 데이터베이스가 필요하다. 하지만, 개인 정보의 유출 등의 문제로 SNS의 대화 데이터를 사용할 수 없어 대화 데이터베이스를 구축하는데 어려움이 있고, 초대형 언어 모델을 이용하여 생성된 대화 데이터베이스는 입력된 샘플 대화와 유사한 구조의 대화를 주로 생성하는 문제가 있다. 또한, 생성된 대화 데이터 가운데 캐릭터 대화체, 세계관 및 성격에 맞지 않는 대화 데이터를 검수하는데 많은 비용과 노력이 투입되는 어려움이 있다.
이와 같은 문제를 해결하기 위해, 복수의 대화 목적(purpose), 대화 유형(action) 및 대화 상황(situation)을 기초로 초대형 언어 모델을 이용하여, 대화 데이터베이스를 생성함으로써, 다양한 구조의 캐릭터 대화 데이터를 생성할 수 있다. 또한, 캐릭터 페르소나 탐지기(150)를 이용하여, 캐릭터의 대화체, 세계관 및 성격과 일치하지 않는 대화 데이터를 필터링함으로써, 효율적인 캐릭터 대화 데이터베이스를 구축할 수 있다.
일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 복수의 대화 목적-대화 유형 쌍(110) 및 각 대화 목적과 연관된 구체적인 대화 상황 리스트(120)를 언어 모델에 입력하여 초기 대화 데이터베이스(130)를 구축할 수 있다. 예를 들어, 대화 데이터베이스 구축 시스템은 복수의 대화 목적-대화 유형-구체적인 대화 상황 삼중쌍(triplet)을 초대형 언어 모델에 입력하여, 복수의 시드 대화 세션을 생성함으로써 초기 대화 데이터베이스(130)를 구축할 수 있다.
그리고 나서, 대화 데이터베이스 구축 시스템은 초기 대화 데이터베이스(130) 내의 각 시드 대화 세션을 초대형 언어 모델에 입력하여 적어도 하나의 증강 대화 세션을 생성함으로써 증강 대화 데이터베이스(140)를 구축할 수 있다. 예를 들어, 대화 데이터베이스 구축 시스템은 초대형 언어 모델을 이용하여 초기 대화 데이터베이스(130) 내의 각 시드 대화 세션에 포함된 발화들을 페러프레이징(paraphrasing)하여, 증강 대화 세션을 생성함으로써, 증강 대화 데이터베이스(140)를 구축할 수 있다. 여기서, 초기 대화 데이터베이스(130)와 증강 대화 데이터베이스(140)는 동일한 대화 데이터베이스를 지칭할 수 있다. 이 경우, 증강 대화 데이터베이스(140)는 시드 대화 세션을 생성함으로써 구축된 초기 대화 데이터베이스(130)에 증강 대화 세션이 추가된 대화 데이터베이스를 지칭할 수 있다.
그 후, 대화 데이터베이스 구축 시스템은 증강 대화 데이터베이스(140)에 포함된 복수의 시드 대화 세션 및 복수의 증강 대화 세션을 캐릭터 페르소나 탐지기(150)에 입력하여 캐릭터 페르소나와 일치하지 않는 대화 세션을 필터링할 수 있다. 예를 들어, 캐릭터 페르소나 탐지기(150)는 특정 대화 세션이 캐릭터 챗봇의 성격과 일치하지 않는 것으로 판정하는 경우, 해당 대화 세션을 제거할 수 있다. 또한, 캐릭터 페르소나 탐지기(150)는 특정 증강 대화 세션을 허위로 판정하는 경우, 해당 대화 세션을 제거할 수 있다. 또한, 캐릭터 페르소나 탐지기(150)는 특정 대화 세션 내의 캐릭터 발화가 캐릭터 대화체와 일치하지 않는 경우, 이를 캐릭터 대화체로 변환할 수 있다. 대화 데이터베이스 구축 시스템은 필터링된 대화 세션으로 최종 대화 데이터베이스(160)를 생성할 수 있다.
이와 같은 구성을 통해, SNS의 대화 데이터를 수집하지 않더라도, 초대형 언어 모델을 이용하여 캐릭터 챗봇 생성을 위한 방대한 양의 캐릭터 대화 데이터베이스를 쉽고 빠르게 생성할 수 있다. 또한, 과도한 사람의 노력없이 생성된 대화 데이터베이스를 자동으로 검수하여 양질의 캐릭터 대화 데이터베이스를 구축할 수 있다.
도 2는 본 개시의 일 실시예에 따른 캐릭터 챗봇 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 캐릭터 챗봇 서비스를 제공할 수 있는 시스템을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 캐릭터 챗봇 서비스와 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 캐릭터 챗봇 서비스를 위한 별도의 시스템(예를 들어, 서버)들을 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 캐릭터 챗봇 서비스 등은, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 인스턴트 메시징 애플리케이션, 인공지능 기반 커뮤니케이션 소프트웨어, 웹 브라우저 등을 통해 사용자에게 제공될 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 초대형 언어 모델(240)을 이용하여 사용자 단말에 캐릭터 챗봇 서비스를 제공할 수 있다. 또한, 정보 처리 시스템(230)은 초대형 언어 모델(240)을 이용하여 캐릭터 챗봇을 생성하기 위한 대화 데이터베이스를 구축할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능한 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
일 실시예에서, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 사용자 발화(예를 들어, 텍스트, 음성 등)를 수신할 수 있다. 이 경우, 정보 처리 시스템(230)은 수신된 사용자 발화 정보에 응답하는 캐릭터 챗봇의 페르소나가 유지된 캐릭터 발화를 제공할 수 있다. 도 2에서 초대형 언어 모델(240)이 정보 처리 시스템(230) 외부에 존재하는 것으로 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템(230) 내부에 초대형 언어 모델(240)이 저장되어 사용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성과 초대형 언어 모델(240)을 나타내는 블록도이다. 사용자 단말(210)은 인스턴트 메시징 애플리케이션, 인공지능 기반 커뮤니케이션 소프트웨어, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 텍스트 또는 음성 등 사용자 발화가 포함된 데이터 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 사용자 발화에 응답하는 캐릭터 발화를 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
도 4는 일 실시예에 따라, 복수의 대화 목적-대화 유형 쌍(110)을 생성하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 목적-대화 유형 쌍(110)은 사용자 발화에 응답하는 캐릭터 발화의 대화 목적 및 대화 유형을 정의하기 위해 사용될 수 있다. 캐릭터 발화의 대화 목적 및 대화 유형은 캐릭터 챗봇 서비스 제공자에 의해 미리 정의될 수 있다.
대화 목적은 캐릭터가 사용자와 어떤 자세로 대화에 임하는지를 나타낼 수 있다. 예를 들어, 도시된 바와 같이, 대화 목적은 분노(410), 위로(420) 등과 같이 정의될 수 있다. 즉, 사용자 발화에 대하여, 캐릭터가 이별을 위로해주거나, 대학 합격을 축하해줄 수 있다. 대화 목적은 대화 세션의 흐름을 결정하는 중요한 요소가 될 수 있다. 도 4에는 대화 목적의 예시로 분노(410)와 위로(420)가 도시되어 있으나, 이에 한정되지 않으며, 임의의 수의 대화 목적이 정의되어 생성될 수 있다.
대화 유형은 사용자 발화에 응답하는 캐릭터 발화의 패턴을 나타낼 수 있다. 예를 들어, 도시된 바와 같이, 대화 유형은 사용자의 발화에 대하여 캐릭터 챗봇이 공감하는 대화 유형(412, 422), 피드백을 제공하는 대화 유형(414, 424) 및 경험담을 공유하는 대화 유형(416, 426) 등을 포함할 수 있다. 이와 같이 캐릭터가 대화에 참여할 수 있는 여러가지 방식을 다양한 대화 유형으로 정의함으로써 보다 깊은 대화 구조를 구현할 수 있다.
또한, 대화 목적과 대화 유형은 서로 연관되어 정의될 수 있다. 예를 들어, 도시된 바와 같이, 사용자 발화에 응답하여 캐릭터 챗봇이 분노하는 대화 목적(410)과 연관하여 캐릭터 챗봇이 공감하는 대화 유형(412), 피드백을 제공하는 대화 유형(414) 및 경험담을 공유하는 대화 유형(416)이 정의될 수 있다. 이와 유사하게, 사용자 발화에 응답하여 캐릭터 챗봇이 위로하는 대화 목적(420)과 연관하여 캐릭터 챗봇이 공감하는 대화 유형(422), 피드백을 제공하는 대화 유형(424) 및 경험담을 공유하는 대화 유형(426)이 정의될 수 있다. 일 실시예에서, 대화 목적과 대화 유형의 쌍은 생성하고자 하는 캐릭터의 성격에 따라 정의될 수 있다. 즉, 정해진 대화 목적과 대화 유형으로 캐릭터의 성격을 제어할 수 있다. 즉, 동일한 대화 상황에 있어서, 특정 캐릭터는 분노를 하면서 공감을 해주지만, 다른 캐릭터는 분노를 하면서 경험담을 공유해주게 된다. 또 다른 캐릭터는 동일한 상황에서 분노대신 위로를 하면서 공감을 해줄 수 있다.
도 5는 일 실시예에 따라, 개략적인 대화 상황(520)을 생성하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 초대형 언어 모델(240)을 이용하여 대화 상황(situation) 리스트를 생성할 수 있다. 여기서, 대화 상황은 대화가 이루어지는 맥락 및 상황을 의미하며, 대화 상황 리스트는 복수의 구체적인 대화 상황(예, 도 1의 120)과 복수의 개략적인 대화 상황(520)을 포함할 수 있다. 구체적인 대화 상황(예, 도 1의 120)은 개략적인 대화 상황을 기초로 생성될 수 있다. 일 실시예에서, 개략적인 대화 상황 및 구체적인 대화 상황은 각각 제1 레벨의 대화 상황 및 제2 레벨의 대화 상황으로 지칭될 수 있다. 여기서, 제2 레벨의 대화 상황은 제1 레벨 대화 상황보다 구체적인 대화 상황을 기술하는 하위 레벨의 대화 상황일 수 있다.
일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 제1 대화 목적(512), 제1 대화 목적과 연관된 복수의 개략적인 대화 상황 샘플(514) 및 제2 대화 목적(516)을 포함하는 프롬프트(510)를 초대형 언어 모델(240)에 입력하여, 제2 대화 목적과 연관된 복수의 개략적인 대화 상황(520)을 생성할 수 있다. 일 실시예에서, 제1 대화 목적(512) 및 제2 대화 목적(516)은 지시문 형태로 기재될 수 있다. 예를 들어, 제1 대화 목적(512)은 '함께 분노해주는 구체적인 상황들'과 같은 지시문 형태로 프롬프트(510)에 포함될 수 있다. 유사하게, 제2 대화 목적(516)은 '따뜻하게 위로해주는 구체적인 상황들'과 같은 지시문 형태로 프롬프트(510)에 포함될 수 있다. 제1 대화 목적과 연관된 복수의 개략적인 대화 상황 샘플(514)은 서비스 제공자에 의해 미리 정의될 수 있다.
대화 데이터베이스 구축 시스템은 제2 대화 목적(516) 대신에 다른 대화 목적(예를 들어, 축하 등)을 포함한 프롬프트를 초대형 언어 모델(240)에 입력함으로써 다른 대화 목적과 연관된 복수의 개략적인 대화 상황을 생성할 수 있다. 대화 데이터베이스를 구축하는데 여러 대화 목적이 사용되는 경우, 대화 데이터베이스 구축 시스템은 상술한 과정을 반복함으로써 각 대화 목적과 연관된 복수의 개략적인 대화 상황을 생성할 수 있다.
도 6은 일 실시예에 따라, 구체적인 대화 상황(630)을 생성하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 초대형 언어 모델(240)을 이용하여 대화 목적과 연관된 다양한 구체적인 대화 상황을 생성할 수 있다. 구체적으로, 대화 데이터베이스 구축 시스템은 제1 대화 목적(612), 제1 대화 목적과 연관된 제1 개략적인 대화 상황(614), 제1 대화 목적과 연관된 구체적인 대화 상황 샘플(616)(또는 제1 개략적인 대화 상황(614)과 연관된 구체적인 대화 상황 샘플), 제2 대화 목적(618), 제2 대화 목적과 연관된 제2 개략적인 대화 상황(620)을 포함하는 프롬프트(610)를 초대형 언어 모델(240)에 입력하여, 제2 대화 목적과 연관된 구체적인 대화 상황(630)(또는 제2 개략적인 대화 상황과 연관된 구체적인 대화 상황)을 생성할 수 있다.
일 실시예에서, 제1 대화 목적(612) 및 제2 대화 목적(618)은 지시문 형태로 기재될 수 있다. 예를 들어, 제1 대화 목적(612) 및 제2 대화 목적(618)은 '위로해줘야하는 내용'과 같은 지시문 형태로 프롬프트(610)에 포함될 수 있다. 제1 대화 목적과 연관된 구체적인 대화 상황 샘플(616)은 서비스 제공자에 의해 미리 정의될 수 있다.
대화 데이터베이스 구축 시스템은 제2 개략적인 대화 상황(620) 대신에 다른 개략적인 대화 상황(예를 들어, 도 5의 개략적인 대화 상황(520)에 포함된 '회사에서 혼났어', '부모님께 야단 맞았어' 등)을 포함한 프롬프트를 초대형 언어 모델(240)에 입력함으로써 다른 개략적인 대화 상황과 연관된 복수의 구체적인 대화 상황을 생성할 수 있다. 초대형 언어 모델(240)에 의해 다양한 개략적인 대화 상황이 생성된 경우, 대화 데이터베이스 구축 시스템은 상술한 과정을 반복함으로써 각 개략적인 대화 상황과 연관된 복수의 구체적인 대화 상황을 생성할 수 있다.
도 6에는 제1 대화 목적(612)과 제2 대화 목적(618)이 동일한 것으로 도시되었으나, 이에 한정되지 않으며, 제1 대화 목적(612)과 제2 대화 목적(618)이 서로 상이할 수 있다. 도 5와 도 6에 도시된 것과 같이 개략적인 대화 상황을 먼저 생성하여 1차적으로 다양성을 확보하고, 개략적인 대화 상황을 이용하여 구체적인 대화 상황을 생성하여 2차적으로 구체성을 확보할 수 있다. 이와 같은 구성에 의해 대화 상황의 전체적인 상황 커버리지를 넓히면서 각 상황을 촘촘하게 확보하는 것이 가능하다. 이러한 과정은 초대형 언어 모델(240)을 이용하여 자동 수행되는 것이므로, 쉽게 확장 가능하다. 이와 같은 구성을 통해, 사용자와 캐릭터 챗봇 사이의 대화가 특정한 주제를 다루더라도, 사용자 발화에 대응하는 양질의 캐릭터 챗봇의 발화를 제공하여, 사용자와 상황에 맞는 맞춤형 대화를 할 수 있다.
도 7은 일 실시예에 따른, 시드 대화 세션을 생성하기 위한 프롬프트(700)의 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 초대형 언어 모델을 이용하여 복수의 대화 목적-대화 유형-구체적인 대화 상황 삼중쌍(triplet)에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축할 수 있다.
구체적으로, 대화 데이터베이스 구축 시스템은 복수의 대화 목적-대화 유형 쌍(예, 도 1의 110) 및 각 대화 목적과 연관된 복수의 구체적인 대화 상황(예, 도 1의 120 또는 도 6의 630 가운데 어느 하나의 구체적인 대화 상황)에 기초하여 복수의 대화 목적-대화 유형-구체적인 대화 상황 삼중쌍을 생성할 수 있다. 그리고 나서, 대화 데이터베이스 구축 시스템은 시드 대화 세션을 생성하기 위한 샘플 데이터로서 제1 삼중쌍(710)(예, 제1 대화 목적-대화 유형-구체적인 대화 상황), 제1 삼중쌍에 대응하는 대화 세션 샘플(720) 및 생성할 시드 대화 세션과 연관된 데이터로서 제2 삼중쌍(730)(예, 제2 대화 목적-대화 유형-구체적인 대화 상황)을 포함하는 프롬프트(700)를 초대형 언어 모델에 입력하여, 제2 삼중쌍과 연관된 시드 대화 세션을 생성할 수 있다. 여기서, 제1 삼중쌍에 대응하는 대화 세션 샘플(720)은 적어도 하나의 사용자 발화와 적어도 하나의 캐릭터 발화를 포함하고, 서비스 제공자에 의해 미리 정의될 수 있다. 프롬프트(700)를 초대형 언어 모델에 입력하여 생성되는 시드 대화 세션도 유사하게 적어도 하나의 사용자 발화와 적어도 하나의 캐릭터 발화를 포함할 수 있다.
일 실시예에서, 프롬프트(700)는 제1 삼중쌍(710), 제1 삼중쌍에 대응하는 대화 세션 샘플(720) 및 제2 삼중쌍(730)을 포함할 수 있다. 예를 들어, 도시된 바와 같이, 제1 삼중쌍(710)은 대화 목적(예, '분노'), 대화 유형(예, '자신의 경험담을 공유하며 이입') 및 이와 관련된 구체적인 대화 상황(예, '비 안온대서 우산 안 들고 나왔다가 쫄딱 젖었어')를 포함할 수 있다. 또한, 제1 삼중쌍에 대응하는 대화 세션 샘플(720)은 제1 삼중쌍에 대응하는 캐릭터 챗봇의 발화로서 발화 샘플(예, '저도 지난번에 우산 없어서 비를 쫄딱 맞았어요! ㅠ')을 포함할 수 있다. 제2 삼중쌍(730)은 대화 목적(예, '분노'), 대화 유형(예, '자신의 경험담을 공유하며 이입') 및 생성할 시드 대화 세션과 연관된 구체적 대화 상황을 포함할 수 있다. 또한, 프롬프트(700)는 캐릭터 챗봇 서비스 제공자에 의해 미리 정의될 수 있으며, 미리 정의된 대화 목적-대화 유형 쌍(예, 도 1의 110)의 수만큼 서비스 제공자에 의해 미리 정의될 수 있다. 대화 데이터베이스 구축 시스템은 각 프롬프트(700) 내의 제2 삼중쌍(730) 자리에 해당 대화 목적(예를 들어, '분노')과 연관된 복수의 구체적인 대화 상황을 하나씩 입력하면서, 각 삼중쌍에 해당하는 시드 대화 세션을 생성할 수 있다.
도 8은 본 개시의 일 실시예에 따라, 초대형 언어 모델(240)을 이용하여 시드 대화 세션(810)에 대응하는 증강 대화 세션(820)을 생성하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 초대형 언어 모델(240)을 이용하여 초기 대화 데이터베이스 내의 각 시드 대화 세션에 대해 증강 대화 세션(820)을 생성함으로써 증강 대화 데이터베이스를 구축할 수 있다. 예를 들어, 도시된 바와 같이, 대화 데이터베이스 구축 시스템은 사용자 발화 및 캐릭터 발화가 포함된 시드 대화 세션(810)을 초대형 언어 모델(240)에 입력하여, 적어도 하나 이상의 증강 대화 세션(820)을 생성할 수 있다. 증강 대화 세션(820)도 유사하게 사용자 발화 및 캐릭터 발화를 포함할 수 있다. 여기서, 증강 대화 데이터베이스는 초기 대화 데이터베이스에 증강 대화 세션이 추가된 데이터베이스를 지칭할 수 있다.
일 실시예에서, 대화 데이터베이스 구축 시스템은 초대형 언어 모델(240)을 이용하여, 시드 대화 세션(810) 내의 발화들을 패러프레이징하여 증강 대화 세션(820)을 생성할 수 있다. 도시된 바와 같이, 시드 대화 세션(810) 내의 사용자 발화(예, '요즘 옆집 아저씨가 시도때도 없이 담배를 피워서 죽겠어')는 의미와 맥락은 동일하나, 어휘 등의 표현 방식이 다른 사용자 발화(예, '이웃집 아저씨가 자꾸 담배를 펴대. 그래서 냄새가 계속 우리집으로 들어와')로 패러프레이징될 수 있다. 유사하게, 시드 대화 세션(810) 내의 캐릭터 발화(예, '저런! 완전 민폐네요! 왜 남에게 피해를 주는거죠? 당장 가서 항의하세요!')는 의미와 맥락은 동일하나, 어휘 등의 표현 방식이 다른 캐릭터 발화(예, '아이고, 너무 심하네요! 바로 따지러 가야죠!')로 패러프레이징될 수 있다.
도 8에는 시드 대화 세션(810)에 포함된 사용자 발화 및 캐릭터 발화 모두 패러프레이징되어 증강 대화 세션(820)이 생성되는 것으로 도시되어 있으나, 이에 한정되지 않으며, 사용자 발화만 또는 캐릭터 발화만 패러프레이징되어 증강 대화 세션(820)이 생성될 수 있다. 또한, 도 8은 하나의 시드 대화 세션(810)에 대하여 하나의 증강 대화 세션(820)이 생성된 예시가 도시되어 있으나, 이에 한정되지 않으며, 하나의 시드 대화 세션(810)에 대해 복수의 증강 대화 세션이 생성될 수 있다. 이 경우, 하나의 시드 대화 세션(810)과 연관된 복수의 증간 대화 세션은 서로 의미와 맥락은 동일하나 어휘 등의 표현 방식이 상이할 수 있다.
도 9는 본 개시의 일 실시예에 따른 미리 정의된 캐릭터 성격 맵(910, 920)의 예시를 나타내는 도면이다. 캐릭터 챗봇을 생성하기 위해서는 캐릭터의 성격을 설정할 필요가 있다. 여기서, 캐릭터의 성격은 특정 상황에서의 일관된 캐릭터의 대화 패턴으로 정의될 수 있다. 특정 상황은 대화 목적과 대응되고, 일관된 캐릭터의 대화 패턴은 대화 유형과 대응될 수 있다. 즉, 캐릭터의 성격은 대화 목적-대화 유형 쌍의 집합으로 나타낼 수 있으며, 대화 목적-대화 유형 쌍의 집합은 캐릭터 성격 맵(910, 920)으로 표현될 수 있다.
예를 들어, 도시된 바와 같이, 제1 캐릭터 성격 맵(910)은 '분노'-'경험담 공유', '축하'-'경험담 공유', '분노'-'공감', '축하'-'공감'과 같은 대화 목적-대화 유형 쌍의 집합으로 설정될 수 있다. 이 경우, 해당 캐릭터의 성격은 '분노', '축하'의 상황에서 경험담을 공유하고 공감하는 대화 패턴을 가지므로, 리액션을 잘하고, 자기 얘기를 많이 하는 성격으로 정의될 수 있다. 이와 유사하게, 제2 캐릭터 성격 맵(920)이 '위로'-'피드백', '위로'-'직시'와 같은 대화 목적-대화 유형 쌍의 집합으로 설정될 수 있다. 이 경우, 해당 캐릭터의 성격은 '위로'의 상황에서 즉각적인 피드백을 제공하고 상황을 직시하는 대화 패턴을 가지므로, 다혈질이지만 직설적인 발언을 잘하는 성격으로 정의될 수 있다.
도 10은 본 개시의 일 실시예에 따라 캐릭터 페르소나 탐지기(150)를 이용하여 최종 대화 데이터베이스(160)를 생성하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 구축 시스템은 복수의 대화 목적-대화 유형 쌍 및 각 대화 목적과 연관된 구체적인 대화 상황 리스트를 초대형 언어 모델에 입력하여 초기 대화 데이터베이스(130)를 구축할 수 있다. 여기서, 복수의 대화 목적-대화 유형 쌍은 미리 정의된 캐릭터 성격 맵(1010)을 기초로 정의될 수 있다. 대안적으로, 복수의 대화 목적-대화 유형 쌍은 모든 조합의 대화 목적-대화 유형 쌍을 포함할 수 있다. 그리고 나서, 대화 데이터베이스 구축 시스템은 초기 대화 데이터베이스(130) 내의 각 시드 대화 세션을 초대형 언어 모델에 입력하여 적어도 하나의 증강 대화 세션을 생성함으로써 증강 대화 데이터베이스(140)를 구축할 수 있다.
그 후, 대화 데이터베이스 구축 시스템은 증강 대화 데이터베이스(140)에 포함된 복수의 시드 대화 세션 및 복수의 증강 대화 세션을 캐릭터 페르소나 탐지기(150)에 입력하여 캐릭터 페르소나와 일치하지 않는 대화 세션을 필터링하여 최종 대화 데이터베이스(160)를 구축할 수 있다. 도시된 것과 같이, 캐릭터 페르소나 탐지기(150)는 성격 필터(1020), 세계관 필터 (1030), 대화체 필터(1040) 및 대화체 변환기(1050)를 포함할 수 있다. 일 실시예에서, 캐릭터 페르소나 탐지기(150)는 시드 대화 세션 및/또는 증강 대화 세션을 성격 필터(1020)에 입력하여 미리 정의된 캐릭터 성격 맵과 일치하지 않는 증강 대화 세션을 제거할 수 있다. 추가적으로 또는 대안적으로, 캐릭터 페르소나 탐지기(150)는 증강 대화 세션을 성격 필터(1020)에 입력하여 해당 증강 대화 세션의 추정된 대화 목적-대화 유형이 해당 증강 대화 세션과 연관된 시드 대화 세션을 생성할 때 사용된 대화 목적-대화 유형과 일치하지 않는 경우, 해당 증강 대화 세션을 제거할 수 있다.
그 후, 캐릭터 페르소나 탐지기(150)는 세계관 필터(1030)를 이용하여, 증강 대화 세션의 진위 여부를 검증하여 허위로 판정된 증강 대화 세션을 제거할 수 있다. 그리고 나서, 캐릭터 페르소나 탐지기(150)는 대화체 필터(1040)를 이용하여, 시드 대화 세션 및/또는 증강 대화 세션에 포함된 캐릭터 발화 중 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 식별할 수 있다. 캐릭터 대화체와 일치하지 않는 캐릭터 발화가 식별된 경우, 캐릭터 페르소나 탐지기(150)는 대화체 변환기(1050)를 이용하여, 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 캐릭터 대화체로 변환할 수 있다. 대화 데이터베이스 구축 시스템은 필터링된 대화 세션을 이용하여 최종 대화 데이터베이스(160)를 구축하고, 최종 대화 데이터베이스(160)에 포함된 복수의 대화 세션을 이용하여 캐릭터 챗봇(1060)을 학습/생성할 수 있다.
일 실시예에서, 성격 필터(1020), 세계관 필터(1030), 대화체 필터(1040) 및 대화체 변환기(1050)는 서비스 제공자가 초기 대화 데이터베이스(130) 내의 시드 대화 세션 중 일부를 수동으로 검수한 결과를 이용하여 기계 학습된 모델일 수 있다. 이와 같은 구성을 통해, 페르소나 대화 데이터를 쉽고 빠르게 생성함으로써 사용자에게 캐릭터의 성격이 잘 드러나는 캐릭터 챗봇(1060)을 제공할 수 있다.
도 11은 본 개시의 일 실시예에 따라 성격 필터(1020)를 이용하여 대화 세션(1110)을 필터링하는 예시를 나타내는 도면이다. 여기서, 대화 세션(1110)은 증강 대화 데이터베이스 내의 시드 대화 세션 또는 증강 대화 세션일 수 있다. 일 실시예에 따르면, 대화 데이터베이스 시스템은 대화 세션(1110)을 성격 필터(1020)에 입력하여 미리 정의된 캐릭터 성격 맵과 일치하지 않으면 해당 대화 세션을 제거할 수 있다.
구체적으로, 대화 데이터베이스 시스템은 대화 세션(1110)을 성격 필터(1020)에 입력하여, 대화 세션(1110)의 대화 목적(1120) 및 대화 유형(1130)을 추정할 수 있다. 그 후, 대화 데이터베이스 시스템은 추정된 대화 목적(1120) 및 대화 유형(1130)이 미리 정의된 캐릭터 성격 맵과 일치하는지 여부를 결정할 수 있다. 추정된 대화 목적(1120) 및 대화 유형(1130)이 미리 정의된 캐릭터 성격 맵과 일치하지 않는다고 판정한 경우, 대화 데이터베이스 시스템은 대화 세션(1110)을 제거할 수 있다. 반면, 추정된 대화 목적(1120) 및 대화 유형(1130)이 미리 정의된 캐릭터 성격 맵과 일치한다고 판정한 경우, 대화 데이터베이스 시스템은 대화 세션(1110)을 유지할 수 있다.
도 11에서는 성격 필터(1020)가 미리 정의된 캐릭터 성격 맵과 일치하지 않는 대화 세션을 제거하는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 성격 필터(1020)가 입력된 증강 대화 세션(1110)의 대화 목적(1120)과 대화 유형(1130)을 추정하고, 추정된 대화 목적(1120)과 대화 유형(1130)이 증강 대화 세션(1110)과 연관된 시드 대화 세션을 생성할 때 사용된 대화 목적 및 대화 유형과 일치하지 않는 경우, 증강 대화 세션(1120)을 제거할 수 있다. 이와 같은 구성에 의해 대화 데이터베이스 시스템은 캐릭터 성격과 일치하지 않는 대화 세션을 제거하여 보다 품질이 좋은 페르소나 대화 데이터베이스를 생성할 수 있다.
도 12는 본 개시의 일 실시예에 따라 세계관 필터(1030)를 이용하여 증강 대화 세션(1220)을 필터링하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 대화 데이터베이스 시스템은 시드 대화 세션(1210) 및 대응하는 증강 대화 세션(1220)을 세계관 필터(1030)에 입력하여 허위로 판정된 증강 대화 세션(1220)을 제거할 수 있다. 여기서, 증강 대화 세션(1220)은 시드 대화 세션(1210)을 패러프레이징하여 생성된 것일 수 있다.
일 실시예에서, 대화 데이터베이스 시스템은 시드 대화 세션(1210) 및 증강 대화 세션(1220)을 세계관 필터(1030)에 입력하여 증강 대화 세션(1220)의 진위 여부를 검증할 수 있다. 예를 들어, 대화 데이터베이스 시스템은 자연어 추론(NLI: Natural Language Inference) 모델을 이용하여 시드 대화 세션(1210) 및 시드 대화 세션(1210)과 연관된 증강 대화 세션(1220) 사이의 관계를 판정할 수 있다. 여기서, NLI 모델은 한 문장이 다른 문장과 논리적으로 관련이 있는지를 판정하기 위한 모델일 수 있으며, 시드 대화 세션(1210) 및 시드 대화 세션(1210)과 연관된 증강 대화 세션(1220)의 관계를 중립 관계(neutral), 함의 관계(entailment), 모순 관계(contradiction)로 분류하여 판정할 수 있다. 시드 대화 세션(1210) 및 시드 대화 세션(1210)과 연관된 증강 대화 세션(1220)이 함의 관계가 아닌 것으로 판정하는 경우, 세계관 필터(1030)는 증강 대화 세션을 허위로 판정할 수 있다.
일 실시예에서, 증강 대화 세션(1220)이 허위로 판정된 경우, 대화 데이터베이스 시스템은 해당 증강 대화 세션(1220)을 제거할 수 있다. 반면, 증강 대화 세션(1220)이 허위가 아닌 것으로 판정되는 경우, 대화 데이터베이스 시스템은 해당 증강 대화 세션(1220)을 유지할 수 있다. 이와 같은 구성에 의해 대화 데이터베이스 시스템은 패러프레이징 과정에서 의도하지 않게 의미가 변경된 증강 대화 세션을 제거하여 보다 품질이 좋은 페르소나 대화 데이터베이스를 생성할 수 있다.
도 13은 본 개시의 일 실시예에 따라 대화체 필터(1040) 및 대화체 변환기(1050)를 이용하여 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 캐릭터 대화체로 변환하는 예시를 나타내는 도면이다. 여기서, 대화 세션(1110)은 증강 대화 데이터베이스 내의 시드 대화 세션 또는 증강 대화 세션일 수 있다. 도시된 것과 같이, 대화 데이터베이스 시스템은 대화 세션(1310)을 대화체 필터(1040)에 입력하여, 대화 세션(1310)에 포함된 캐릭터 발화 중 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 식별할 수 있다. 예를 들어, 대화체 필터(1040)는 제1 캐릭터 발화(1312)인 '헐? 대박! 오지고 지리고 렛잇고~'는 캐릭터 대화체와 일치하고, 제2 캐릭터 발화(1314)인 '인간의 노력은 기필코 배신하지 않는다고 생각합니다.'는 캐릭터 대화체와 일치하지 않는 것으로 판정할 수 있다.
일 실시예에서, 대화 데이터베이스 시스템은 캐릭터 대화체와 일치하지 않는 캐릭터 발화로 식별된 제2 캐릭터 발화(1314)를 캐릭터 대화체 변환기(1050)에 입력하여, 캐릭터 대화체(1320)로 변환할 수 있다. 예를 들어, 대화체 변환기(1050)는 캐릭터 대화체와 일치하지 않는 제2 캐릭터 발화(1314)를 캐릭터 대화체를 가진 제3 캐릭터 발화(1320)인 '노력은 배신을 절~대 안한다구욧!'으로 변환할 수 있다. 이 경우, 대화 데이터베이스 시스템은 제2 캐릭터 발화(1314)를 제3 캐릭터 발화(1320)으로 교체하여 저장할 수 있다. 이와 같은 구성에 의해 대화 데이터베이스 시스템은 캐릭터 대화체와 일치하지 않는 대화 세션을 보정하여 보다 품질이 좋은 페르소나 대화 데이터베이스를 생성할 수 있다.
도 14는 본 개시의 일 실시예에 따라, 언어 모델을 이용한 대화 데이터베이스 구축 방법(1400)을 나타내는 흐름도이다. 일 실시예에서, 대화 데이터베이스 구축 방법(1400)은 프로세서(예를 들어, 사용자 단말 또는 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 수행될 수 있다. 다른 실시예에서, 정보 처리 시스템과 사용자 단말이 대화 데이터베이스 구축 방법(1400)의 단계들을 나누어 수행할 수 있다.
일 실시예에서, 대화 데이터베이스 구축 방법(1400)은 프로세서가 미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신함으로써 개시될 수 있다(S1410). 그 후, 프로세서는 언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성할 수 있다(S1420). 이를 위해, 프로세서는 제1 대화 목적, 제1 대화 목적과 연관된 개략적인 대화 상황 샘플 및 제2 대화 목적을 포함하는 프롬프트를 언어 모델에 입력하여 제2 대화 목적과 연관된 복수의 개략적인 대화 상황을 생성할 수 있다. 여기서, 제2 대화 목적과 연관된 복수의 개략적인 대화 상황은 제1 개략적인 대화 상황 및 제2 개략적인 대화 상황을 포함할 수 있다. 그리고, 프로세서는 제2 대화 목적, 제2 대화 목적과 연관된 구체적인 대화 상황 샘플 및 제1 개략적인 대화 상황을 포함하는 프롬프트를 언어 모델에 입력하여 제2 대화 목적과 연관된 제1 구체적인 대화 상황 세트를 생성할 수 있다. 유사하게, 프로세서는 제2 대화 목적, 제2 대화 목적과 연관된 구체적인 대화 상황 샘플 및 제2 개략적인 대화 상황을 포함하는 프롬프트를 언어 모델에 입력하여 제2 대화 목적과 연관된 제2 구체적인 대화 상황 세트를 생성할 수 있다.
대화 상황이 모두 생성된 후, 프로세서는 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍(triplet)에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축할 수 있다(S1430). 여기서, 각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함할 수 있다. 구체적으로, 프로세서는 복수의 대화 목적-대화 유형 쌍 및 각 대화 목적과 연관된 복수의 대화 상황에 기초하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍(triplet)을 생성할 수 있다. 그리고, 프로세서는 제1 대화 목적-대화 유형-대화 상황, 제1 대화 목적-대화 유형-대화 상황에 대응하는 대화 세션 샘플 및 제2 대화 목적-대화 유형-대화 상황을 포함하는 프롬프트를 언어 모델에 입력하여 제2 대화 목적-대화 유형-대화 상황과 연관된 시드 대화 세션을 생성할 수 있다. 여기서, 제1 대화 목적-대화 유형-대화 상황에 대응하는 대화 세션 샘플은 적어도 하나의 사용자 발화와 적어도 하나의 캐릭터 발화를 포함할 수 있다.
일 실시예에서, 프로세서는 언어 모델을 이용하여 초기 대화 데이터베이스 내의 각 대화 세션에 대해 적어도 하나의 증강 대화 세션을 생성하여 대화 데이터베이스에 추가할 수 있다. 여기서, 각 증강 대화 세션은 연관된 시드 대화 세션 내의 발화들을 패러프레이징(paraphrasing)한 발화들을 포함할 수 있다. 그 후, 프로세서는 대화 데이터베이스에 포함된 복수의 대화 세션을 캐릭터 페르소나 탐지기에 입력하여 캐릭터 페르소나와 일치하지 않는 대화 세션을 필터링하여 최종 대화 데이터베이스를 생성할 수 있다.
일 실시예에서, 프로세서는 복수의 증강 대화 세션에 포함된 제1 증강 대화 세션을 성격 필터에 입력하여 대화 목적 및 대화 유형을 추정하고, 제1 증강 대화 세션의 추정된 대화 목적 및 추정된 대화 유형이 미리 정의된 캐릭터 성격 맵과 일치하지 않는 것으로 판정하는 것에 응답하여, 제1 증강 대화 세션을 제거할 수 있다. 대안적으로 또는 추가적으로, 프로세서는 복수의 증강 대화 세션에 포함된 제2 증강 대화 세션을 성격 필터에 입력하여 대화 목적 및 대화 유형을 추정하고, 제2 증강 대화 세션의 추정된 대화 목적 및 추정된 대화 유형이 제2 증강 대화 세션과 연관된 시드 대화 세션을 생성할 때 사용된 대화 목적 및 대화 유형과 일치하지 않는 것으로 판정하는 것에 응답하여, 제2 증강 대화 세션을 제거할 수 있다.
대안적으로 또는 추가적으로, 프로세서는 복수의 증강 대화 세션에 포함된 제3 증강 대화 세션 및 제3 증강 대화 세션과 연관된 시드 대화 세션을 세계관 필터에 입력하여 제3 증강 대화 세션의 진위 여부를 검증할 수 있다. 제3 증강 대화 세션이 허위로 판정되는 것에 응답하여, 프로세서는 제3 증강 대화 세션을 제거할 수 있다. 예를 들어, 프로세서는 자연어 추론(NLI: Natural Language Inference) 모델을 이용하여 제3 증강 대화 세션 및 제3 증강 대화 세션과 연관된 시드 대화 세션 사이의 관계를 판정하고, 제3 증강 대화 세션 및 제3 증강 대화 세션과 연관된 시드 대화 세션이 함의 관계(entailment)가 아닌 것으로 판정하는 것에 응답하여, 제3 증강 대화 세션을 허위로 판정하는 방식으로 제3 증강 대화 세션의 진위 여부를 검증할 수 있다.
대안적으로 또는 추가적으로, 프로세스는 복수의 대화 세션 중 특정 대화 세션을 대화체 필터에 입력하여 특정 대화 세션에 포함된 캐릭터 발화 중 미리 정의된 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 식별할 수 있다. 그리고, 프로세서는 식별된 캐릭터 발화를 캐릭터 대화체 변환기에 입력하여 미리 정의된 캐릭터 대화체로 변환할 수 있다.
일 실시예에서, 프로세서는 최종 대화 데이터베이스를 이용하여 캐릭터 페르소나를 가지는 캐릭터 챗봇을 학습할 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 복수의 대화 목적-대화 유형 쌍
120: 구체적인 대화 상황 리스트
130: 초기 대화 데이터베이스
140: 증강 대화 데이터베이스
150: 캐릭터 페르소나 탐지기
160: 최종 대화 데이터베이스
120: 구체적인 대화 상황 리스트
130: 초기 대화 데이터베이스
140: 증강 대화 데이터베이스
150: 캐릭터 페르소나 탐지기
160: 최종 대화 데이터베이스
Claims (16)
- 적어도 하나의 프로세서에 의해 수행되는, 언어 모델을 이용한 대화 데이터베이스 구축 방법에 있어서,
미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신하는 단계;
언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성하는 단계; 및
상기 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍(triplet)에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축하는 단계
를 포함하고,
각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함하는, 대화 데이터베이스 구축 방법. - 제1항에 있어서,
상기 언어 모델을 이용하여 상기 초기 대화 데이터베이스 내의 각 대화 세션에 대해 적어도 하나의 증강 대화 세션을 생성하여 대화 데이터베이스에 추가하는 단계
를 더 포함하는, 대화 데이터베이스 구축 방법. - 제2항에 있어서,
각 증강 대화 세션은 연관된 시드 대화 세션 내의 발화들을 패러프레이징(paraphrasing)한 발화들을 포함하는, 대화 데이터베이스 구축 방법. - 제1항에 있어서,
상기 각 대화 목적과 연관된 복수의 대화 상황을 생성하는 단계는,
제1 대화 목적, 상기 제1 대화 목적과 연관된 개략적인 대화 상황 샘플 및 제2 대화 목적을 포함하는 프롬프트를 상기 언어 모델에 입력하여 상기 제2 대화 목적과 연관된 복수의 개략적인 대화 상황을 생성하는 단계
를 포함하고,
상기 제2 대화 목적과 연관된 복수의 개략적인 대화 상황은 제1 개략적인 대화 상황 및 제2 개략적인 대화 상황을 포함하는, 대화 데이터베이스 구축 방법. - 제4항에 있어서,
상기 각 대화 목적과 연관된 복수의 대화 상황을 생성하는 단계는,
상기 제2 대화 목적, 상기 제2 대화 목적과 연관된 구체적인 대화 상황 샘플 및 상기 제1 개략적인 대화 상황을 포함하는 프롬프트를 상기 언어 모델에 입력하여 상기 제2 대화 목적과 연관된 제1 구체적인 대화 상황 세트를 생성하는 단계; 및
상기 제2 대화 목적, 상기 제2 대화 목적과 연관된 구체적인 대화 상황 샘플 및 상기 제2 개략적인 대화 상황을 포함하는 프롬프트를 상기 언어 모델에 입력하여 상기 제2 대화 목적과 연관된 제2 구체적인 대화 상황 세트를 생성하는 단계
를 더 포함하는, 대화 데이터베이스 구축 방법. - 제1항에 있어서,
상기 초기 대화 데이터베이스를 구축하는 단계는,
상기 복수의 대화 목적-대화 유형 쌍 및 상기 각 대화 목적과 연관된 복수의 대화 상황에 기초하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍(triplet)을 생성하는 단계; 및
제1 대화 목적-대화 유형-대화 상황, 상기 제1 대화 목적-대화 유형-대화 상황에 대응하는 대화 세션 샘플 및 제2 대화 목적-대화 유형-대화 상황을 포함하는 프롬프트를 상기 언어 모델에 입력하여 상기 제2 대화 목적-대화 유형-대화 상황과 연관된 시드 대화 세션을 생성하는 단계
를 포함하고,
상기 제1 대화 목적-대화 유형-대화 상황에 대응하는 대화 세션 샘플은 적어도 하나의 사용자 발화와 적어도 하나의 캐릭터 발화를 포함하는, 대화 데이터베이스 구축 방법. - 제2항에 있어서,
상기 대화 데이터베이스에 포함된 복수의 대화 세션을 캐릭터 페르소나 탐지기에 입력하여 캐릭터 페르소나와 일치하지 않는 대화 세션을 필터링하여 최종 대화 데이터베이스를 생성하는 단계
를 더 포함하는, 대화 데이터베이스 구축 방법. - 제7항에 있어서,
상기 최종 대화 데이터베이스를 생성하는 단계는,
상기 복수의 증강 대화 세션에 포함된 제1 증강 대화 세션을 성격 필터에 입력하여 대화 목적 및 대화 유형을 추정하는 단계; 및
상기 제1 증강 대화 세션의 추정된 대화 목적 및 추정된 대화 유형이 미리 정의된 캐릭터 성격 맵과 일치하지 않는 것으로 판정하는 것에 응답하여, 상기 제1 증강 대화 세션을 제거하는 단계
를 포함하는, 대화 데이터베이스 구축 방법. - 제7항에 있어서,
상기 최종 대화 데이터베이스를 생성하는 단계는,
상기 복수의 증강 대화 세션에 포함된 제2 증강 대화 세션을 성격 필터에 입력하여 대화 목적 및 대화 유형을 추정하는 단계; 및
상기 제2 증강 대화 세션의 추정된 대화 목적 및 추정된 대화 유형이 상기 제2 증강 대화 세션과 연관된 시드 대화 세션을 생성할 때 사용된 대화 목적 및 대화 유형과 일치하지 않는 것으로 판정하는 것에 응답하여, 상기 제2 증강 대화 세션을 제거하는 단계
를 포함하는, 대화 데이터베이스 구축 방법. - 제7항에 있어서,
상기 최종 대화 데이터베이스를 생성하는 단계는,
상기 복수의 증강 대화 세션에 포함된 제3 증강 대화 세션 및 상기 제3 증강 대화 세션과 연관된 시드 대화 세션을 세계관 필터에 입력하여 상기 제3 증강 대화 세션의 진위 여부를 검증하는 단계; 및
상기 제3 증강 대화 세션이 허위로 판정되는 것에 응답하여, 상기 제3 증강 대화 세션을 제거하는 단계
를 포함하는, 대화 데이터베이스 구축 방법. - 제10항에 있어서,
상기 제3 증강 대화 세션의 진위 여부를 검증하는 단계는,
자연어 추론(NLI: Natural Language Inference) 모델을 이용하여 상기 제3 증강 대화 세션 및 상기 제3 증강 대화 세션과 연관된 시드 대화 세션 사이의 관계를 판정하는 단계; 및
상기 제3 증강 대화 세션 및 상기 제3 증강 대화 세션과 연관된 시드 대화 세션이 함의 관계(entailment)가 아닌 것으로 판정하는 것에 응답하여, 상기 제3 증강 대화 세션을 허위로 판정하는 단계
를 포함하는, 대화 데이터베이스 구축 방법. - 제7항에 있어서,
상기 최종 대화 데이터베이스를 생성하는 단계는,
상기 복수의 대화 세션 중 특정 대화 세션을 대화체 필터에 입력하여 상기 특정 대화 세션에 포함된 캐릭터 발화 중 미리 정의된 캐릭터 대화체와 일치하지 않는 캐릭터 발화를 식별하는 단계
를 포함하는, 대화 데이터베이스 구축 방법. - 제12항에 있어서,
상기 최종 대화 데이터베이스를 생성하는 단계는,
상기 식별된 캐릭터 발화를 캐릭터 대화체 변환기에 입력하여 상기 미리 정의된 캐릭터 대화체로 변환하는 단계
를 더 포함하는, 대화 데이터베이스 구축 방법. - 제7항에 있어서,
상기 최종 대화 데이터베이스를 이용하여 캐릭터 페르소나를 가지는 캐릭터 챗봇을 학습하는 단계
를 더 포함하는, 대화 데이터베이스 구축 방법. - 제1항 내지 제14항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 대화 데이터베이스 구축 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
미리 정의된 복수의 대화 목적-대화 유형 쌍을 수신하고,
언어 모델을 이용하여 각 대화 목적과 연관된 복수의 대화 상황을 생성하고,
상기 언어 모델을 이용하여 복수의 대화 목적-대화 유형-대화 상황 삼중쌍(triplet)에 대응하는 복수의 시드 대화 세션을 생성하여 초기 대화 데이터베이스를 구축하기 위한 명령어들을 포함하고,
각 시드 대화 세션은 적어도 하나의 사용자 발화 및 적어도 하나의 캐릭터 발화를 포함하는, 대화 데이터베이스 구축 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210162810A KR20230076012A (ko) | 2021-11-23 | 2021-11-23 | 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210162810A KR20230076012A (ko) | 2021-11-23 | 2021-11-23 | 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230076012A true KR20230076012A (ko) | 2023-05-31 |
Family
ID=86542891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210162810A KR20230076012A (ko) | 2021-11-23 | 2021-11-23 | 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230076012A (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与*** |
KR102637029B1 (ko) | 2023-10-11 | 2024-02-15 | 주식회사 마인즈앤컴퍼니 | 거대언어모델을 활용하여 멀티턴 챗봇 데이터 생성을 위한 장치 및 그 장치의 구동방법 |
KR102655929B1 (ko) * | 2023-08-18 | 2024-04-11 | 주식회사 티사이언티픽 | 생성형 ai 모델을 활용한 대화형 텍스트 데이터 생성 시스템 및 그 방법 |
-
2021
- 2021-11-23 KR KR1020210162810A patent/KR20230076012A/ko unknown
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655929B1 (ko) * | 2023-08-18 | 2024-04-11 | 주식회사 티사이언티픽 | 생성형 ai 모델을 활용한 대화형 텍스트 데이터 생성 시스템 및 그 방법 |
CN116992006A (zh) * | 2023-09-26 | 2023-11-03 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与*** |
CN116992006B (zh) * | 2023-09-26 | 2024-01-12 | 武汉益模科技股份有限公司 | 一种大语言模型驱动的链式自然语言交互方法与*** |
KR102637029B1 (ko) | 2023-10-11 | 2024-02-15 | 주식회사 마인즈앤컴퍼니 | 거대언어모델을 활용하여 멀티턴 챗봇 데이터 생성을 위한 장치 및 그 장치의 구동방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230076012A (ko) | 초대형 언어 모델을 이용한 페르소나 대화 데이터 생성 방법 및 시스템 | |
EP3095113B1 (en) | Digital personal assistant interaction with impersonations and rich multimedia in responses | |
KR20190096304A (ko) | 대화 내용에 대한 요약문 생성 장치 및 방법 | |
CN109410297A (zh) | 一种用于生成虚拟化身形象的方法与装置 | |
JP2022180282A (ja) | ペルソナチャットボット制御方法及びシステム | |
KR20220158573A (ko) | 페르소나 챗봇 제어 방법 및 시스템 | |
CA2964065A1 (en) | Systems and methods for cinematic direction and dynamic character control via natural language output | |
US20230124765A1 (en) | Machine learning-based dialogue authoring environment | |
Lee | Voice user interface projects: build voice-enabled applications using dialogflow for *** home and Alexa skills kit for Amazon Echo | |
CA2835368A1 (en) | System and method for providing a dialog with a user | |
CN112750187A (zh) | 一种动画生成方法、装置、设备及计算机可读存储介质 | |
Coates | Voice applications for Alexa and Google assistant | |
Baena-Perez et al. | Visual authoring of virtual reality conversational scenarios for e-learning | |
US10835822B2 (en) | Application control method and terminal device | |
KR20230075998A (ko) | 텍스트 기반 아바타 생성 방법 및 시스템 | |
Quesada et al. | Programming voice interfaces | |
US9583106B1 (en) | Methods, systems, and media for presenting interactive audio content | |
KR102663162B1 (ko) | 음성 합성 방법 및 시스템 | |
CN112712798B (zh) | 私有化数据获取方法及装置 | |
KR102475038B1 (ko) | 음성 기반 대화 서비스 제공 방법 및 장치 | |
Voicu et al. | Making children read more and better by integrating natural language processing and gamification techniques into mobile applications | |
KR20220145739A (ko) | 개인화된 음성 콘텐츠를 생성하는 방법 | |
KR20240067224A (ko) | 사용자 기반 언어 학습 콘텐츠를 제공하는 방법 | |
CN117935788A (zh) | 人机交互方法、装置、电子设备及存储介质 | |
Miluț et al. | Iasi City Explorer-Alexa, what can we do today? |