[go: up one dir, main page]

KR102814913B1 - 응답 추론 방법 및 장치 - Google Patents

응답 추론 방법 및 장치 Download PDF

Info

Publication number
KR102814913B1
KR102814913B1 KR1020190122021A KR20190122021A KR102814913B1 KR 102814913 B1 KR102814913 B1 KR 102814913B1 KR 1020190122021 A KR1020190122021 A KR 1020190122021A KR 20190122021 A KR20190122021 A KR 20190122021A KR 102814913 B1 KR102814913 B1 KR 102814913B1
Authority
KR
South Korea
Prior art keywords
response
latent variable
vector
verification
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020190122021A
Other languages
English (en)
Other versions
KR20210039598A (ko
Inventor
전재훈
김미숙
박정훈
한규범
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020190122021A priority Critical patent/KR102814913B1/ko
Priority to US16/829,180 priority patent/US11295729B2/en
Priority to CN202010392362.5A priority patent/CN112597270B/zh
Priority to EP20181969.5A priority patent/EP3800574A1/en
Publication of KR20210039598A publication Critical patent/KR20210039598A/ko
Application granted granted Critical
Publication of KR102814913B1 publication Critical patent/KR102814913B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/3343—Query execution using phonetics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • 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
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Machine Translation (AREA)

Abstract

응답 추론 방법 및 장치가 개시된다. 일실시예에 따른 응답 추론 장치는 사용자 입력을 획득하고, 사용자 입력을 인코딩하여, 잠재 변수 영역 공간 내 잠재 변수 벡터를 생성하고, 잠재 변수 벡터와 특정 위상 차를 가지는 검증 벡터를 생성하고, 잠재 변수 벡터를 디코딩하여 출력 응답을 생성하고, 검증 벡터를 디코딩하여 검증 응답을 생성하고, 출력 응답 및 검증 응답을 비교함으로써 출력 응답을 검증할 수 있다.

Description

응답 추론 방법 및 장치{RESPONSE INFERENCE METHOD AND APPARATUS}
아래 실시예들은 응답을 추론하는 기술에 관한 것이다.
대화 모델은 목적 지향적 대화 모델과 일상 대화 모델을 포함한다. 목적 지향적 대화 모델은 명확한 목적을 가진 발화로부터 해당 발화에 대답하는 단일 응답을 생성한다. 일상 대화 모델은 일상적인 안부 인사, 감정 표현 등 특정한 목적을 가지지 않은 발화로부터 다양한 응답을 생성한다.
사용자 발화로부터 응답을 생성하는 모델은 규칙 기반 대화 모델, 탐색 기반 대화 모델 및 생성 기반 대화 모델을 포함한다. 규칙 기반 대화 모델은 미리 구성된 템플릿을 이용한다. 탐색 기반 대화 모델은 데이터베이스로부터 적절한 응답을 탐색한다. 생성 기반 대화 모델은 미리 학습된 인코더 및 디코더를 이용하여 최적의 응답을 생성한다.
일실시예에 따른 응답 추론 장치가 응답 추론 방법을 수행함으로써, 심층 신경망 기반 자연어 생성에서 생성된 발화를 검증할 수 있다. 또한, 일실시예에 따른 응답 추론 장치가 응답 추론 방법을 수행함으로써, 효율적 학습(training)이 가능할 수 있다.
일실시예에 따른 응답 추론 방법은 사용자 입력을 획득하는 단계; 상기 사용자 입력을 인코딩하여, 복수의 응답들에 대응하는 영역들을 포함하는 잠재 변수 영역 공간(latent variable region space) 내 잠재 변수 벡터(latent variable vector)를 생성하는 단계; 상기 잠재 변수 벡터와 특정 위상 차를 가지는 검증 벡터(validation vector)를 생성하는 단계; 상기 잠재 변수 벡터를 디코딩하여, 상기 잠재 변수 벡터가 속하는 영역에 대응하는 출력 응답을 생성하는 단계; 상기 검증 벡터를 디코딩하여, 상기 검증 벡터가 속하는 영역에 대응하는 검증 응답(validation response)을 생성하는 단계; 상기 출력 응답 및 상기 검증 응답을 비교함으로써, 상기 출력 응답을 검증하는 단계; 및 상기 검증 결과에 따라, 상기 사용자 입력에 대응하여 상기 출력 응답을 출력하는 단계를 포함한다.
일실시예에 따르면, 상기 검증 벡터를 생성하는 단계는 상기 검증 벡터의 위상이 상기 잠재 변수 벡터의 위상과 미리 정해진 위상 차이를 가지도록, 상기 검증 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 검증 벡터를 생성하는 단계는 상기 잠재 변수 벡터의 위상과 반대되는 위상을 가지도록 상기 검증 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 검증 벡터는 복수의 검증 벡터들을 포함하고, 상기 검증 벡터를 생성하는 단계는 상기 검증 벡터들의 위상들이 상기 잠재 변수 벡터의 위상과 미리 정해진 위상 차이들을 가지도록, 상기 검증 벡터들을 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 잠재 변수 벡터는 상기 사용자 입력에 대응하는 응답을 생성하기 위해 잠재된 정보 변수들을 포함하는 다차원의 벡터일 수 있다.
일실시예에 따르면, 상기 잠재 변수 벡터를 생성하는 단계는 상기 사용자 입력을 인코딩하여 잠재 변수를 생성하는 단계; 및 상기 잠재 변수에 대응하는 상기 잠재 변수 영역 공간에 포함된 상기 영역들 중 어느 하나의 영역에 속하는 잠재 변수 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 어느 하나의 영역에 속하는 잠재 변수 벡터를 생성하는 단계는 상기 잠재 변수 영역 공간을 표현하는 확률 분포에 기초하여, 복수의 벡터들을 샘플링하는 단계; 및 상기 샘플링된 벡터들에 기초하여, 상기 잠재 변수 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 출력 응답을 검증하는 단계는 상기 출력 응답을 점수화하는 단계; 상기 검증 응답을 점수화하는 단계; 및 상기 출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수를 비교하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 비교하는 단계는 상기 출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값보다 큰지 여부를 판단하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 사용자 입력은 일상 대화 내에서 특정 대답을 의도하지 않는 사용자 발화이고, 상기 복수의 응답들은 상기 사용자 발화에 대응하는 서로 다른 답변들일 수 있다.
일실시예에 따르면, 상기 잠재 변수 벡터를 생성하는 단계는 인코더를 이용하여 상기 사용자 입력을 인코딩하는 단계를 포함하고, 상기 인코더의 뉴럴 네트워크는 상기 사용자 입력에 대응하는 입력 레이어와 상기 잠재 변수를 모델링 하는 확률 분포의 평균 및 분산에 대응하는 출력 레이어를 포함할 수 있다.
일실시예에 따르면, 상기 출력 응답을 생성하는 단계는 디코더를 이용하여 상기 잠재 변수 벡터를 디코딩하는 단계를 포함하고, 상기 검증 응답을 생성하는 단계는 상기 디코더를 이용하여 상기 검증 벡터를 디코딩하는 단계를 포함하며, 상기 디코더의 뉴럴 네트워크는 상기 잠재 변수 벡터에 대응하는 입력 레이어와 상기 출력 응답에 대응하는 출력 레이어를 포함할 수 있다.
일실시예에 따르면, 상기 디코더의 뉴럴 네트워크는 상기 검증 벡터에 대응하는 입력 레이어와 상기 검증 응답에 대응하는 출력 레이어를 포함할 수 있다.
일실시예에 따른 응답 추론을 위한 학습 방법은
일실시예에 따르면, 트레이닝 입력을 획득하는 단계; 상기 트레이닝 입력에 대응하는 복수의 트레이닝 응답들 중 어느 하나의 트레이닝 응답을 획득하는 단계; 학습시키고자 하는 인코더로 상기 트레이닝 입력을 인가하여, 잠재 변수를 생성하는 단계; 상기 잠재 변수에 대응하는 잠재 변수 영역 공간에 포함되는 영역의 트레이닝 잠재 변수 벡터를 생성하는 단계; 학습시키고자 하는 디코더로 상기 트레이닝 잠재 변수 벡터를 인가하여, 출력 응답을 생성하는 단계; 및 상기 출력 응답 및 상기 트레이닝 응답에 기초하여, 상기 인코더 및 상기 디코더의 뉴럴 네트워크를 학습시키는(training) 단계를 포함한다.
일실시예에 따르면, 응답 추론을 위한 학습 방법은 상기 트레이닝 잠재 변수 벡터와 특정 위상 차를 가지는 트레이닝 검증 벡터를 생성하는 단계; 상기 디코더로 상기 트레이닝 검증 벡터를 인가하여, 트레이닝 검증 응답을 생성하는 단계; 상기 출력 응답과 상기 트레이닝 검증 응답을 구별하도록 동작하는 판별기(Discriminator)를 학습시키는 단계; 및 상기 판별기가 상기 출력 응답과 상기 트레이닝 검증 응답을 구별하지 못하도록, 상기 인코더 및 상기 디코더의 뉴럴 네트워크를 학습시키는 단계를 더 포함할 수 있다.
일실시예에 따르면, 상기 트레이닝 잠재 변수 벡터는 상기 트레이닝 입력에 대응하는 응답을 생성하기 위해 잠재된 정보 변수들을 포함하는 다차원의 벡터일 수 있다.
일실시예에 따르면, 상기 잠재 변수 영역 공간은 상기 복수의 트레이닝 응답들에 대응하는 복수의 영역들을 포함할 수 있다.
일실시예에 따르면, 상기 트레이닝 잠재 변수 벡터를 생성하는 단계는 상기 잠재 변수 영역 공간을 표현하는 확률 분포에 기초하여, 복수의 벡터들을 샘플링하는 단계; 상기 컨트롤 입력을 랜덤화하여 임베디드 컨트롤 입력을 생성하는 단계; 상기 임베디드 컨트롤 입력을 상기 샘플링된 벡터들에 각각 적용하는 단계; 및 상기 임베디드 컨트롤 입력이 적용된 상기 샘플링된 벡터들을 가중 합(weighted sum)하여 트레이닝 잠재 변수 벡터를 생성하는 단계를 포함할 수 있다.
일실시예에 따른 응답 추론 장치는 프로그램이 기록된 메모리; 및 상기 프로그램을 수행하는 프로세서 를 포함하고, 상기 프로그램은, 사용자 입력을 획득하는 단계; 상기 사용자 입력을 인코딩하여, 복수의 응답들에 대응하는 영역들을 포함하는 잠재 변수 영역 공간(latent variable region space) 내 잠재 변수 벡터(latent variable vector)를 생성하는 단계; 상기 잠재 변수 벡터와 특정 위상 차를 가지는 검증 벡터(validation vector)를 생성하는 단계; 상기 잠재 변수 벡터를 디코딩하여, 상기 잠재 변수 벡터가 속하는 영역에 대응하는 출력 응답을 생성하는 단계; 상기 검증 벡터를 디코딩하여, 상기 검증 벡터가 속하는 영역에 대응하는 검증 응답(validation response)을 생성하는 단계; 상기 출력 응답 및 상기 검증 응답을 비교함으로써, 상기 출력 응답을 검증하는 단계; 및 상기 검증 결과에 따라, 상기 사용자 입력에 대응하여 상기 출력 응답을 출력하는 단계를 수행한다.
도 1은 일실시예에 따른 응답 추론 방법을 설명하기 위한 순서도이다.
도 2(a) 및 도 2(b)는 일실시예에 따른 응답 추론 방법을 설명하기 위한 도면이다.
도 3(a) 및 도 3(b)는 일실시예에 따른 응답 추론 방법을 설명하기 위한 도면이다.
도 4a 및 도 4b는 일실시예에 따른 인코더 및 디코더를 이용한 동작을 설명하기 위한 도면들이다.
도 5a 및 도 5b는 일실시예에 따른 멀티 샘플링을 통하여 잠재 변수 벡터를 생성하는 동작을 설명하기 위한 도면들이다.
도 6은 일실시예에 따른 출력 응답 및 검증 응답을 생성하는 방법을 예시적으로 설명하기 위한 도면이다.
도 7은 일실시예에 따른 출력 응답 및 검증 응답을 비교하는 방법을 예시적으로 설명하기 위한 도면이다.
도 8은 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 순서도이다.
도 9는 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 도면이다.
도 10은 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 도면이다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
아래에서 설명할 실시예들은 생성 기반 대화 모델을 이용하여 응답을 생성하는 기법과 관련된다. 규칙/탐색 기반 대화 모델은 다양한 입력을 인식하기 어렵고, 규칙 또는 데이터베이스에 있는 표현에 한해 응답을 생성하는 제약이 있는 반면, 생성 기반 대화 모델은 학습을 통해 다양한 입력을 인식할 수 있다. 일반적인 생성 기반 대화 모델은 학습을 기반으로 최적의 응답을 생성하므로 동일한 입력에 대응하여 다양한 응답을 생성하는데 한계가 있으나, 실시예들에 따른 생성 기반 대화 모델은 동일한 입력에 대응하여 다양한 응답을 생성하는 기술을 제공할 수 있다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 응답 추론 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 일실시예에 따른 응답 추론 장치는 사용자 입력을 획득한다(101). 응답 추론 장치는 사용자 입력에 대응하는 응답을 추론하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다. 사용자 입력은 사용자의 발화와 같이 그에 대응하는 응답의 생성을 가능하게 하는 정보를 포함할 수 있다. 예를 들어, 사용자 입력은 응답 추론 장치가 처리하는데 적합한 다차원 벡터 등의 특징을 포함할 수 있다.
도 2(a) 및 도 2(b)를 참조하면, 응답 추론 장치(201)는 동일한 사용자 입력에 대응하여 복수의 응답들을 생성할 수 있다. 예를 들어, "자식 키우기 힘들다"라는 동일한 사용자 입력에 대응하여, 제1 시점에는 "많이 힘들죠? 그래도 지금 정말 잘하고 있어요."라는 응답이 생성되고, 제2 시점에는 "확실히 쉽지 않은 일이죠. 어깨를 토닥여 주고 싶네요."라는 응답이 생성될 수 있다. 이로 인하여, 사용자는 자동으로 생성된 응답에 지루함을 느끼지 않고, 생동감을 느낄 수 있다.
다시 도 1을 참조하면, 응답 추론 장치는 사용자 입력을 인코딩하여, 복수의 응답들에 대응하는 영역들을 포함하는 잠재 변수 영역 공간 내 잠재 변수 벡터를 생성한다(102). 아래에서 상세하게 설명하겠으나, 응답 추론 장치는 사용자 입력에 대응하는 잠재 변수 영역 공간을 생성하고, 잠재 변수 영역 공간이 포함하는 영역 별로 다른 응답을 생성하는 기법을 제공한다.
보다 구체적으로, 응답 추론 장치는 인코더를 이용하여 사용자 입력을 인코딩할 수 있다. 인코더는 뉴럴 네트워크(neural network)의 일종으로서, 사용자 입력의 차원(dimension)을 변환시켜, 잠재 변수를 생성할 수 있다. 예를 들어, 인코더는 사용자 입력으로부터 잠재 변수를 생성하기 위해 미리 학습될 수 있고, 기 학습된 인코더는 사용자 입력으로부터 잠재 변수를 생성할 수 있다. 잠재 변수는 확률 분포로 모델링될 수 있다. 예를 들어, 잠재 변수는 평균 및 분산을 포함하는 확률 분포를 통하여 잠재 변수 영역 공간으로 표현될 수 있다.
일실시예에 따르면, 잠재 변수 영역 공간은 인코더에 의해 생성된 잠재 변수를 표현하는 공간으로서, 인코더와 디코더의 학습에 의해 복수의 응답들에 대응하는 영역들을 포함할 수 있다. 잠재 변수 영역 공간은 복수의 응답들에 대응하는 컨트롤 입력들에 의해 분할되어 있을 수 있는데, 여기서 컨트롤 입력은 잠재 변수 영역 공간 내에서 특정 영역 내 잠재 변수 벡터를 생성하도록 유도하는 정보 일 수 있다. 컨트롤 입력은 생성되는 벡터와 동일한 차원의 벡터일 수 있다. 학습 과정에서 컨트롤 입력을 이용하여 잠재 변수 영역 공간을 분할하는 동작과 관련된 보다 상세한 내용은 후술한다.
이하, 설명의 편의를 위하여, 잠재 변수 영역 공간이 포함하는 복수의 응답들에 대응하는 영역들이 잠재 변수 영역 공간을 분할하는 실시예들을 설명한다. 다만, 이는 예시적인 것으로, 경우에 따라 복수의 응답들에 대응하는 영역들이 잠재 변수 영역 공간을 모두 커버(cover)하지 않을 수 있다. 또한, 도 3 및 도 10에서 잠재 변수 영역 공간이 포함하는 복수의 응답들에 대응하는 영역들이 잠재 변수 영역 공간에 포함되는 실시예들을 더 설명한다.
응답 추론 장치는 사용자 입력으로부터 잠재 변수 벡터를 생성할 수 있다. 잠재 변수 벡터는 잠재 변수 영역 공간 내의 위치를 지시하는 벡터로, 분할된 영역들 중 어느 하나에 속할 수 있다. 응답 추론 장치는 확률 분포에 기초하여, 잠재 변수 영역 공간 내 분할된 영역들 중 어느 하나의 영역에 속하는 잠재 변수 벡터를 생성할 수 있다.
잠재 변수 벡터는 사용자 입력에 대응하는 응답을 생성하기 위해 잠재된 정보 변수들을 포함하는 다차원의 벡터일 수 있다. 도 2(a) 및 도 2(b)의 실시예들과 같이, 사용자 입력은 일상 대화 내에서 특정 대답을 의도하지 않는 사용자 발화이고, 사용자 입력에 대응하는 응답은 사용자 발화에 대응하는 답변일 수 있다.
응답 추론 장치는 잠재 변수와 특정 위상 차를 가지는 검증 벡터(validation vector)를 생성한다(103). 검증 벡터는 잠재 변수 벡터와 마찬가지로 잠재 변수 영역 공간 내의 위치를 지시할 수 있다. 응답 추론 장치는 검증 벡터의 위상이 잠재 변수 벡터의 위상과 미리 정해진 위상 차이를 가지도록 검증 벡터를 생성할 수 있다. 일실시예에 따르면, 응답 추론 장치는 잠재 변수 벡터의 위상과 반대되는 위상을 가지도록 검증 벡터를 생성할 수 있다.
일실시예에 따르면, 검증 벡터는 복수의 검증 벡터들을 포함할 수 있다. 이 경우, 응답 추론 장치는 검증 벡터들의 위상들이 잠재 변수 벡터의 위상과 미리 정해진 위상 차이들을 가지도록 검증 벡터들을 생성할 수 있다. 일 예시로, 복수의 검증 벡터들 및 잠재 변수 벡터를 포함하는 벡터들의 집합에서, 가장 인접한 벡터들 간의 위상 차이는 일정할 수 있다. 다른 예시로, 복수의 검증 벡터들의 위상들과 잠재 변수 벡터의 위상이 가지는 위상 차이는 임의적으로 결정될 수 있다.
응답 추론 장치는 잠재 변수 벡터를 디코딩하여, 잠재 변수 벡터가 속하는 영역에 대응하는 출력 응답을 생성한다(104). 잠재 변수 영역 공간은 다양한 응답들에 대응하는 영역들로 분할되어 있기 때문에, 응답 추론 장치는 사용자 입력으로부터 다양한 응답을 추론할 수 있다. 응답 추론 장치는 기 학습된 뉴럴 네트워크로 구현된 인코더 및 디코더를 이용하므로, 다양한 사용자 입력을 인식하고, 인식된 사용자 입력에 적합한 응답을 다양하게 생성할 수 있다.
또한, 응답 추론 장치는 검증 벡터를 디코딩하여, 검증 벡터가 속하는 영역에 대응하는 검증 응답(validation response)을 생성한다(105). 생성된 검증 응답 및 출력 응답과 관련하여, 응답 추론 장치는 출력 응답 및 검증 응답을 비교함으로써 출력 응답을 검증한다(106). 구체적으로, 응답 추론 장치는 출력 응답 및 검증 응답을 점수화하고, 출력 응답에 대응하는 점수 및 검증 응답에 대응하는 점수를 비교할 수 있다. 예를 들어, 응답 추론 장치는 출력 응답의 신뢰도와 검증 응답의 신뢰도를 비교할 수 있다.
일실시예에 따르면, 응답 추론 장치는 출력 응답에 대응하는 점수와 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값보다 큰지 여부를 판단함으로써 출력 응답을 검증할 수 있다. 예를 들어, 응답 추론 장치는 출력 응답의 신뢰도와 검증 응답의 신뢰도 사이의 차이가 임계 값보다 큰 경우 출력 응답의 검증에 실패했다고 판단하고, 그 차이가 임계 값보다 작은 경우 출력 응답의 검증에 성공했다고 판단할 수 있다. 응답 추론 장치가 출력 응답을 검증하는 것과 관련된 보다 상세한 사항은 도 7을 통하여 후술한다.
검증 결과에 따라, 응답 추론 장치는 사용자 입력에 대응하여 출력 응답을 출력한다(107). 검증 결과에 따라 응답 추론 장치가 출력 응답을 출력하는 것과 관련된 보다 상세한 사항은 도 7을 통하여 후술한다.
일실시예에 따른 응답 추론 장치가 응답 추론 방법을 수행함으로써, 심층 신경망 기반 자연어 생성에서 생성된 발화를 검증할 수 있다. 또한, 후술하겠으나, 일실시예에 따른 응답 추론 장치가 응답 추론 방법을 수행함으로써, 응답 추론 장치의 성능이 향상될 수 있다.
도 3(a) 및 도 3(b)는 일실시예에 따른 응답 추론 방법을 설명하기 위한 도면이다.
도 3(a) 및 도 3(b)를 참조하면, 응답 추론 장치는 사용자 입력(X)를 인코딩하여, 잠재 변수를 모델링 하는 확률 분포 Q(Z|X)를 생성할 수 있다. 확률 분포를 통하여 잠재 변수 Z에 대응하는 잠재 변수 영역 공간 <Z>이 표현될 수 있다.
일실시예에 따르면, 잠재 변수 영역 공간 <Z>은 다양한 응답들에 각각 대응하는 컨트롤 입력들을 포함할 수 있다(a). 일실시예에 따르면, 잠재 변수 영역 공간 <Z>은 다양한 응답들에 각각 대응하는 컨트롤 입력들에 의해 분할되어 있을 수 있다(b). 응답 추론 장치는 확률 분포 Q(Z|X)로부터 잠재 변수 벡터 z를 생성할 수 있다. 응답 추론 장치는 확률 분포로부터 잠재 변수 벡터 z를 랜덤하게 생성할 수 있고, 경우에 따라 컨트롤 입력을 이용하여 잠재 변수 벡터 z를 생성할 수도 있다.
잠재 변수 영역 공간 <Z>은 다양한 응답들에 각각 대응하는 컨트롤 입력들을 포함하는 경우(a)는 Conditional Variational Autoencoder(CVAE) 모델을 이용하는 경우를 포함할 수 있다.
잠재 변수 벡터 z는 잠재 변수 영역 공간 <Z>이 포함하거나 잠재 변수 영역 공간 <Z> 내 분할된 영역들 중 어느 하나의 영역에 속할 수 있다. 응답 추론 장치는 잠재 변수 벡터 z를 디코딩하여, 출력 응답 P()를 생성할 수 있다. 예를 들어, 응답 추론 장치는 랜덤하게 생성된 잠재 변수 벡터 를 디코딩하여, 잠재 변수 벡터 이 속하는 영역에 대응하는 출력 응답 을 생성할 수 있다.
일실시예에 따르면, 응답 추론 장치는 컨트롤 입력을 이용하여, 확률 분포 Q(Z|X)로부터 잠재 변수 벡터 z를 생성할 수 있다. 응답 추론 장치는 특정 응답 또는 잠재 변수 영역 공간 <Z> 내 특정 영역에 대응하는 컨트롤 입력을 획득하고, 획득된 컨트롤 입력을 이용하여 해당 영역에 속하는 잠재 변수 벡터 z의 생성을 유도할 수 있다. 예를 들어, 응답 추론 장치는 복수의 응답들에 대응하는 컨트롤 입력들 중 어느 하나를 선택하고, 선택된 컨트롤 입력에 대응하는 잠재 변수 벡터 z의 생성을 유도할 수 있다. 응답 추론 장치는 생성된 잠재 변수 벡터 z를 디코딩하여 출력 응답을 생성할 수 있다. 상술한 바와 같이, 응답 추론 장치는 인코더 및 디코더를 이용하여 응답을 추론할 수 있다. 이하, 도 4a 및 도 4b를 참조하여 인코더 및 디코더를 이용한 동작을 후술한다.
도 4a 및 도 4b는 일실시예에 따른 인코더 및 디코더를 이용한 동작을 설명하기 위한 도면들이다.
도 4a를 참조하면, 응답 추론 장치는 인코더(401) 및 디코더(402)를 이용하여 사용자 입력으로부터 출력 응답을 생성할 수 있다. 인코더(401) 및 디코더(402)는 복수의 영역들로 분할된 잠재 변수 영역 공간에 기초하여, 인코딩 및 디코딩을 수행하도록 미리 학습될 수 있다. 일실시예에 따르면, 인코더(401) 및 디코더(402)는 잠재 변수 영역 공간 내 분할된 영역들마다 서로 다른 출력 응답들을 생성하도록 학습될 수 있다. 잠재 변수 영역 공간은 미리 설정된 컨트롤 입력들에 의해 학습 과정에서 여러 영역들로 분할될 수 있다.
인코더(401)의 뉴럴 네트워크는 사용자 입력에 대응하는 입력 레이어(403), 히든 레이어(404) 및 잠재 변수를 모델링 하는 확률 분포의 평균 및 분산에 대응하는 출력 레이어(405)를 포함할 수 있다. 디코더(406)의 뉴럴 네트워크는 잠재 변수 벡터에 대응하는 입력 레이어(406), 히든 레이어(407) 및 출력 응답에 대응하는 출력 레이어(408)를 포함할 수 있다. 일실시예에 따르면, 디코더(406)의 뉴럴 네트워크가 포함하는 입력 레이어(406)는 검증 벡터에 대응하고, 디코더(406)의 뉴럴 네트워크가 포함하는 출력 레이어(408)는 검증 응답에 대응할 수 있다(도면에는 도시되지 않음).
상술한 뉴럴 네트워크의 구조는 예시에 불과하고, 레이어들 내 노드들의 양상, 연결 구조, 파라미터들은 학습 또는 추론의 효율과 성능을 위해 다양하게 변형될 수 있다.
응답 추론 장치는 인코더(401)를 이용하여 사용자 입력으로부터 생성된 평균 및 분산에 기초하여, 확률 분포(411)를 생성할 수 있다. 상술한 바와 같이, 응답 추론 장치는 확률 분포(411)로부터 잠재 변수 영역 공간(412) 내 영역들 중 어느 하나의 영역에 속하는 잠재 변수 벡터(413)를 랜덤하게 생성하고, 디코더(402)를 이용하여 잠재 변수 벡터(413)가 속하는 영역에 대응하는 출력 응답을 생성할 수 있다.
응답 추론 장치는 컨트롤 입력을 이용하여 원하는 영역에서 잠재 변수 벡터가 생성되도록 유도할 수 있다. 예를 들어, 응답 추론 장치는 컨트롤 입력(416)을 이용하여, 확률 분포(414)로부터 잠재 변수 영역 공간(415) 내 제1 영역에 속하는 잠재 변수 벡터(417)를 생성하고, 디코더(402)를 이용하여 잠재 변수 벡터(417)가 속하는 영역에 대응하는 출력 응답을 생성할 수 있다. 또는, 응답 추론 장치는 컨트롤 입력(418)을 이용하여, 확률 분포(414)로부터 잠재 변수 영역 공간(415) 내 영역들 중 제2 영역에 속하는 잠재 변수 벡터(419)를 생성하고, 디코더(402)를 이용하여 잠재 변수 벡터(419)가 속하는 영역에 대응하는 출력 응답을 생성할 수 있다.
도 4b를 참조하면, 인코더(401)의 출력 레이어(405)로부터 잠재 변수 벡터가 생성되는 동작을 구현한 실시예가 도시된다. 응답 추론 장치는 평균이 0이고 분산이 1인 정규 분포(N)로부터 샘플링되는 잠재 변수 벡터를 변형함으로써, 출력 레이어(405)의 평균(μ)과 분산(σ)에 따른 확률 분포(Z)로부터 샘플링되는 잠재 변수 벡터(z)를 생성할 수 있다. 예를 들어, 응답 추론 장치는 정규 분포(N)으로부터 ε을 샘플링하고, ε으로부터 μ + σε를 계산함으로써 잠재 변수 벡터(z)를 생성할 수 있다.
도 5a 및 도 5b는 일실시예에 따른 멀티 샘플링을 통하여 잠재 변수 벡터를 생성하는 동작을 설명하기 위한 도면들이다.
도 5a를 참조하면, 응답 추론 장치는 인코더(501)를 이용하여 생성된 확률 분포(예를 들어, 평균 및 분산)로부터 디코더(503)로 인가하기 위한 잠재 변수 벡터(506)를 생성하는 모듈(502)을 포함할 수 있다. 응답 추론 장치는 인코더(501)에 의해 생성된 확률 분포에 기초하여, 복수의 벡터들(504)을 샘플링할 수 있다. 응답 추론 장치는 확률 분포로부터 복수의 벡터들(504)을 랜덤하게 샘플링할 수 있다. 복수의 벡터들(504)은 다차원의 변수들을 포함할 수 있다.
일실시예에 따르면, 응답 추론 장치는 임베디드 컨트롤 입력(505)을 이용하여 복수의 응답들 중 어느 하나의 응답을 랜덤하게 선택하는 잠재 변수 벡터(506)를 생성할 수 있다. 예를 들어, 임베디드 컨트롤 입력(505)은 샘플링된 벡터들(504)과 동일한 차원의 벡터로, 랜덤하게 결정될 수 있다.
응답 추론 장치는 임베디드 컨트롤 입력(505)을 샘플링된 벡터들(504)에 각각 적용할 수 있다. 응답 추론 장치는 컨트롤 입력(505)과 각 샘플링된 벡터들(504) 사이의 닷 프로덕트(dot product) 연산을 수행하여 유사도를 계산할 수 있다.
응답 추론 장치는 임베디드 컨트롤 입력(505)이 적용된 샘플링된 벡터들을 유사도 기반 가중 합(weighted sum)하여 잠재 변수 벡터(506)를 생성할 수 있다. 예를 들어, 벡터들 사이의 닷 프로덕트 연산의 결과는 벡터의 방향이 유사할수록 큰 값을 가지므로, 응답 추론 장치는 컨트롤 입력(505)과 각 샘플링된 벡터들(504) 사이의 닷 프로덕트 연산의 결과들의 소프트맥스(SoftMax) 값을 가중치로하여 합산함으로써, 잠재 변수 벡터(506)를 생성할 수 있다.
상술한 바와 같이, 잠재 변수 벡터(506)는 응답을 추론하기 위해 잠재된 변수들을 나타내는 다차원의 벡터인데, 샘플링된 벡터들(504)과 컨트롤 입력(505)은 같은 차원의 벡터이므로, 잠재 변수 벡터(506)도 샘플링된 벡터들(504) 및 컨트롤 입력(505)과 같은 차원으로 생성될 수 있다. 응답 추론 장치는 디코더(503)를 이용하여 잠재 변수 벡터(506)로부터 출력 응답을 생성할 수 있다.
이 경우, 도 2(a) 및 도 2(b)를 통하여 전술한 것과 같이, 동일한 사용자 입력에 대응하여 다양한 응답들 중 어느 하나의 응답이 랜덤하게 선택되어 출력될 수 있다.
일실시예에 따르면, 응답 추론 장치는 컨트롤 입력을 이용하여 원하는 응답을 유도할 수도 있다. 컨트롤 입력은 샘플링된 벡터들(504)과 같은 차원의 벡터일 수 있다. 응답 추론 장치는 다양한 응답들 중 특정 응답을 유도하기 위해, 복수의 컨트롤 입력들 중 어느 하나의 컨트롤 입력을 선택할 수 있다. 상술한 바와 같이, 컨트롤 입력은 잠재 변수 영역 공간 내 분할된 영역들 중에서 특정 영역으로 잠재 변수 벡터를 편향시키는 벡터일 수 있다.
경우에 따라, 응답 추론 장치는 컨트롤 입력을 랜덤화할 수 있다. 예를 들어, 응답 추론 장치는 랜덤 입력을 컨트롤 입력에 적용시켜, 임베디드 컨트롤 입력(505)을 생성할 수 있다.
일실시예에 따르면, 응답 추론 장치는 <표 1>과 같이 키워드(keyword)에 대응하는 컨트롤 입력을 이용하여, 사용자 입력으로부터 출력 응답을 생성할 수 있다.
사용자 입력 키워드 출력 응답
이번 연휴는 혼자 보내야해 영화 그것도 나쁘지 않죠. 평소 보고 싶었던 영화를 VOD로 감상하는 건 어때요?
책 차분한 연휴가 되겠네요! 사 놓고 읽지 않았던 책을 읽어보는 건 어때요?
일실시예에 따르면, 응답 추론 장치는 <표 2>와 같이 감정(sentiment)에 대응하는 컨트롤 입력을 이용하여, 사용자 입력으로부터 출력 응답을 생성할 수 있다.
사용자 입력 감정 출력 응답
요즘 좋아하는 음악 장르는 재즈야 positive 저도 좋아요.
negative 저는 클래식에 더 관심이 많아요.
상술한 예시뿐만 아니라, 컨트롤 입력은 태도(attitude) 및 성향(direct)에 기초하여 설정될 수 있고, 설계 의도에 따라 다양한 방식이 채용되어 응용될 수 있다.
사용자 입력 태도 출력 응답
오늘 일이 너무 하기 싫어! 나태 하기 싫은 일은 그만 하고, 시원한 맥주 한잔 어때요?
근면 정말 힘들겠어요. 그래도 조금만 힘내서 일을 처리하고 나면 마음이 한결 가벼워질 거에요.
사용자 입력 성향 출력 응답
투자 정보를 알려줘. 공격투자형 헤지 펀드 추천
적극투자형 인덱스 펀드 추천
위험중립형 혼합형 펀드 추천
안전추구형 채권형 펀드 추천
안전형 예금 추천
아래에서 설명하겠으나, 도 5a의 실시예에서 이용되는 컨트롤 입력은 학습 과정에서 이용되는 컨트롤 입력과 동일할 수 있다.
도 5b를 참조하면, 멀티 샘플링 동작을 구현한 실시예가 도시된다. 응답 추론 장치는 평균이 0이고 분산이 1인 정규 분포(N)로부터 멀티 샘플링되는 잠재 변수 벡터들을 변형함으로써, 평균(μ)과 분산(σ)에 따른 확률 분포(Z)로부터 샘플링되는 잠재 변수 벡터들(zi)을 생성할 수 있다. 예를 들어, 응답 추론 장치는 정규 분포(N)으로부터 εi를 멀티 샘플링하고, εi로부터 μ + σεi를 계산함으로써 잠재 변수 벡터들(zi)(504)을 생성할 수 있다.
아래에서 설명하겠으나, 인코더(501)와 디코더(503) 사이에서 잠재 변수 벡터를 멀티 샘플링하는 동작을 뉴럴 네트워크의 노드들로 구현함으로써, 인코더(501)와 디코더(503)가 동시에 학습될 수 있다. 이로 인하여, 엔드-투-엔드(end-to-end) 뉴럴 네트워크를 이용하는 형태로 실시예들이 구현될 수 있다.
도 6은 일실시예에 따른 출력 응답 및 검증 응답을 생성하는 방법을 예시적으로 설명하기 위한 도면이다.
도 6을 참조하면, 일실시예에 따른 응답 추론 장치는 사용자 입력을 획득하고(601), 획득된 사용자 입력을 인코딩하여(602) 잠재 변수 벡터를 생성할 수 있다(603). 일실시예에 따르면, 응답 추론 장치는 잠재 변수 영역 공간을 표현하는 확률 분포에 기초하여, 복수의 벡터들을 샘플링(sampling)하고, 샘플링된 벡터들에 기초하여 잠재 변수 벡터를 생성할 수 있다. 응답 추론 장치는 잠재 변수 벡터를 디코딩하여(604) 출력 응답을 생성할 수 있다(605).
응답 추론 장치는 추가적인 샘플링(additional sampling)을 통하여 검증 벡터를 생성할 수 있다(606). 일 예로, 검증 벡터는 잠재 변수 벡터의 위상과 반대되는 위상을 가지도록 생성될 수 있다. 또는, 검증 벡터는 잠재 변수 벡터의 위상과 미리 정해진 차이의 위상을 가지도록 생성될 수 있다. 또는, 검증 벡터는 잠재 변수 벡터의 위상과 임의의 차이의 위상을 가지도록 생성될 수 있다. 응답 추론 장치는 검증 벡터를 디코딩하여(607) 검증 응답을 생성할 수 있다(608). 단계(604)의 디코딩과 단계(607)의 디코딩은 동일한 디코더에 의하여 수행될 수 있다.
응답 추론 장치는 검증 응답(608)에 기초하여, 출력 응답(605)을 검증할 수 있다. 출력 응답(605)을 검증하는 구체적인 예시들은 도 7을 통하여 후술한다.
실시예에 따라, 복수의 검증 벡터들이 추가적으로 샘플링 될 수도 있다. 이 경우, 응답 추론 장치는 복수의 검증 벡터들을 디코딩하여 복수의 검증 응답들을 생성할 수 있다. 응답 추론 장치는 복수의 검증 응답들 중 적어도 하나의 검증 응답에 기초하여, 출력 응답(605)을 검증할 수 있다. 예를 들어, 복수의 검증 응답들 중 출력 응답(605)과 가장 유사한 검증 응답을 선택하고, 선택된 검증 응답에 기초하여 출력 응답(605)을 검증할 수 있다.
도 7은 일실시예에 따른 출력 응답 및 검증 응답을 비교하는 방법을 예시적으로 설명하기 위한 도면이다.
도 7을 참조하면, 일실시예에 따른 응답 추론 장치는 출력 응답 및 검증 응답을 비교하기 위하여 출력 응답 및 검증 응답을 점수화할 수 있다. 일실시예에 따르면, 응답 추론 장치는 출력 응답에 대응하는 점수와 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값()보다 큰지 여부를 판단함으로써 출력 응답을 검증할 수 있다(700).
일실시예에 따르면, 출력 응답에 대응하는 점수 및 검증 응답에 대응하는 점수는 유사도 점수(likelihood score)에 대응될 수 있다. 유사도 점수는 점수화의 대상이 되는 응답을 구성하는 복수의 단어들 간의 연관성을 고려하여 결정되는 점수일 수 있다. 유사도 점수는 문장의 자연스러움 및 문장이 내포하는 의미의 일관성 등을 반영할 수 있다.
검증 결과에 따라, 응답 추론 장치는 사용자 입력에 대응하여 출력 응답을 출력한다. 일실시예에 따르면, 응답 추론 장치는 출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값보다 작은 경우 출력 응답을 출력할 수 있다.
출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값보다 큰 경우, 응답 추론 장치는 출력 응답을 출력하지 않을 수 있다. 응답 추론 장치는 샘플링을 다시 수행함으로써 새로운 응답 후보를 탐색하고, 추가 샘플링도 다시 수행하여 새롭게 탐색된 응답 후보를 검증할 수 있다.
혹은, 응답 추론 장치는 사용자 입력을 다시 받을 수 있다. 예를 들어, 응답 추론 장치는 사용자에게 재 입력을 유도하는 가이드를 제공할 수 있다.
도 8은 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 순서도이다.
도 8을 참조하면, 일실시예에 따른 응답 추론을 위한 학습 장치(이하, 학습 장치라 지칭됨)는 트레이닝 입력을 획득할 수 있다(801). 학습 장치는 응답 추론을 위한 인코더 및/또는 디코더를 학습시키는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.
학습 장치는 트레이닝 입력에 대응하는 복수의 트레이닝 응답들 중 어느 하나의 트레이닝 응답을 획득할 수 있다(802). 트레이닝 응답들 각각은 트레이닝 입력에 대한 적합한 응답으로서, 정답(ground truth)에 해당한다.
학습 장치는 복수의 트레이닝 응답들에 대응하는 컨트롤 입력들 중 획득된 트레이닝 응답에 대응하는 컨트롤 입력을 획득할 수 있다(803). 예를 들어, 트레이닝 입력 "요즘 좋아하는 음악 장르는 재즈야"에 대응하는 트레이닝 응답들은 "저도요!", "저도 좋아요." 및 "역시, 우린 통하네요."를 포함하고, 컨트롤 입력들은 각각 트레이닝 응답들에 대응할 수 있다.
일실시예에 따르면, 컨트롤 입력은 트레이닝 응답을 인코딩하여 생성된 특징 벡터일 수 있다. 예를 들어, 도 2(b)를 참조하면, "저도요!"를 인코딩하여 제1 컨트롤 입력이 생성되고, "저도 좋아요."를 인코딩하여 제2 컨트롤 입력이 생성되며, "역시, 우린 통하네요."를 인코딩하여 제3 컨트롤 입력이 생성되고, "저, 우린 통하네요."를 인코딩하여 제4 컨트롤 입력이 생성될 수 있다. 제1 내지 제4 컨트롤 입력 각각은 다차원 공간 내에서 서로 구별되는 위치를 지시하는 다차원 벡터일 수 있다.
일실시예에 따르면, 사용자 입력에 기초하여 잠재 변수 영역 공간이 결정됨에 따라, 다양한 응답들에 대응하는 다양한 컨트롤 입력들을 이용하여 잠재 변수 영역 공간을 분할할 수 있다. 이 경우, 분할된 각 영역에 대응하여 해당하는 응답이 출력되도록 뉴럴 네트워크가 학습될 수 있다. 또한, 학습 장치는 컨트롤 입력에 랜덤 입력을 부가하여 임베디드 컨트롤 입력을 생성하고, 임베디드 컨트롤 입력을 이용하여 잠재 변수 영역 공간을 분할함으로써, 잠재 변수 영역 공간 내 각 영역이 차지하는 비중을 증가시킬 수 있다.
다른 실시예에 다르면, 컨트롤 입력은 표 1 및 표 2와 같이 키워드나 감정 등의 정보를 인코딩하여 생성된 특징 벡터일 수 있다. 예를 들어, 표 1을 참조하면, "영화" 키워드를 인코딩하여 제1 컨트롤 입력이 생성되고, "책" 키워드를 인코딩하여 제2 컨트롤 입력이 생성될 수 있다.
학습 장치는 컨트롤 입력들 중 학습시키고자 하는 트레이닝 응답에 대응하는 컨트롤 입력을 선택할 수 있다.
학습 장치는 학습시키고자 하는 인코더로 트레이닝 입력을 인가하여, 잠재 변수를 생성할 수 있다(804). 상술한 바와 같이, 확률 분포는 잠재 변수에 대응하는 잠재 변수 영역 공간을 표현하는 방식들 중에 하나로, 인코더는 평균 및 분산을 출력하도록 설계될 수 있다.
학습 장치는 확률 분포 및 획득된 컨트롤 입력에 기초하여, 잠재 변수 영역 공간에 포함되는 영역의 트레이닝 잠재 변수 벡터를 생성할 수 있다(805). 일실시예에 따르면, 학습 장치는 잠재 변수 영역 공간 내에서 획득된 컨트롤 입력에 대응하는 영역의 트레이닝 잠재 변수 벡터를 생성할 수 있다. 상술한 바와 같이, 컨트롤 입력은 잠재 변수 영역 공간 내에서 특정 영역 내 잠재 변수 벡터의 생성을 유도하므로, 학습 장치는 해당 컨트롤 입력에 따른 트레이닝 잠재 변수 벡터를 생성할 수 있다.
학습 장치는 학습시키고자 하는 디코더로 트레이닝 잠재 변수 벡터를 인가하여, 출력 응답을 생성할 수 있다(806). 상술한 바와 같이, 디코더는 잠재 변수 벡터로부터 응답을 출력하도록 설계될 수 있다.
학습 장치는 출력 응답 및 트레이닝 응답에 기초하여, 인코더 및 디코더의 뉴럴 네트워크를 학습시킬(training) 수 있다(807). 뉴럴 네트워크를 학습하는 방식에는 다양한 기법들이 채용될 수 있다. 학습 장치는 인코더 및 디코더의 뉴럴 네트워크를 최적화하여, 컨트롤 입력들에 대응하는 영역들마다 서로 다른 출력 응답을 생성하도록 잠재 변수 영역 공간을 분할할 수 있다. 응답 추론 장치는 학습에 의해 분할된 잠재 변수 영역 공간을 이용하여, 다양한 출력 응답을 생성할 수 있다.
도 9는 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 도면이다.
도 9를 참조하면, 학습 장치는 트레이닝 입력을 인코더(901)로 인가하고, 인코더(901)에 의하여 출력되는 인코딩 벡터를 샘플링 모듈(902)에 인가할 수 있다. 샘플링 모듈(902)은 도 6의 모듈(603) 및 모듈(606)을 포함하도록 구현될 수 있다.
디코더(903)는 샘플링 모듈(902)의 출력에 따라 출력 응답 혹은 트레이닝 검증 응답을 생성할 수 있다. 예를 들어, 샘플링 모듈(902)의 모듈(603)에 의하여 트레이닝 잠재 변수 벡터가 생성되는 경우, 디코더(903)는 출력 응답을 생성할 수 있다. 또한, 샘플링 모듈(902)의 모듈(606)에 의하여 트레이닝 검증 벡터가 생성되는 경우, 디코더(903)는 트레이닝 검증 응답을 생성할 수 있다.
판별기(904)는 디코더(903)와 서로 경쟁적으로 동작할 수 있다. 일실시예에 따르면, 디코더(903)는 실제 데이터와 가능한 한 유사한 데이터를 생성하고, 판별기(904)는 실제 데이터와 실제 데이터가 아닌 데이터(이하, 가짜 데이터)를 판별한다. 여기서 실제 데이터는 모듈(603)과 연동하는 디코더(903)의 출력에 대응하고, 가짜 데이터는 모듈(606)과 연동하는 디코더(903)의 출력에 대응할 수 있다.
일 실시예에 따르면, 판별기(904)와 디코더(903) 사이의 경쟁적 동작을 위하여 다음과 같이 학습이 이루어질 수 있다. 학습 장치는 역전파(back-propagation) 학습 기법을 이용하여 디코더(903) 및/또는 인코더(901)를 학습시킬 수 있다. 일실시예에 따르면, 학습 장치는 인코더(901)와 디코더(903)를 동시에 학습시킴으로써, 엔드-투-엔드 유형의 응답 추론기를 생성할 수 있다.
예를 들어, 디코더(903)에서 출력 응답이 생성되는 경우, 학습 장치는 실제 데이터에 해당하는 출력을 생성하도록 판별기(904)를 학습시킬 수 있다. 또한, 학습 장치는 트레이닝 응답의 정답(ground truth)에 해당하는 트레이닝 응답 및 출력 응답 사이의 차이로 정의된 손실 함수-예를 들어, 리컨스트럭션 손실(reconstruction loss)-에 따라 디코더(903) 및/또는 인코더(901)를 학습시킬 수 있다.
또한, 디코더(903)에서 트레이닝 검증 응답이 생성되는 경우, 학습 장치는 가짜 데이터에 해당하는 출력을 생성하도록 판별기(904)를 학습시킬 수 있다. 학습 장치는 디코더(903)가 판별기(904)를 잘 속이도록 정의되는 손실 함수-예를 들어, 판별 손실(discrimination loss)-에 따라 디코더(903) 및/또는 인코더(901)를 학습시킬 수 있다. 일 예로, 판별 손실은 디코더(903)의 트레이닝 검증 응답에 반응하여 판별기(904)에서 실제 데이터에 해당하는 출력이 생성되도록 정의될 수 있다.
디코더(903) (및/또는 인코더(901))의 학습과 판별기(904)의 학습이 경쟁적으로 수행됨으로써, 인코더(901) 및 디코더(903)를 포함하는 네트워크의 성능이 향상될 수 있다.
도 10은 일실시예에 따른 응답 추론을 위한 학습 방법을 설명하기 위한 도면이다.
도 10을 참조하면, 잠재 변수 영역 공간(1001)에 다양한 응답들에 대응하는 컨트롤 입력들 이 존재할 수 있다. 일실시예에 따르면, 컨트롤 입력들 에 의해 잠재 변수 영역 공간(1001)이 분할되는 형태(1003)로 구현될 수 있다. 이 경우, 학습 장치는 컨트롤 입력들 , 복수의 트레이닝 입력들, 트레이닝 응답들 및 출력 응답들에 기초하여, 인코더 및 디코더를 학습시킬 수 있고, 학습에 의해 잠재 변수 영역 공간(1001)은 컨트롤 입력들 에 각각 대응하는 영역들로 분할될 수 있다. 설명의 편의를 위하여 잠재 변수 영역 공간(1001)이 분할된 영역들이 잠재 변수 영역 공간(1001)의 전부를 커버하는 실시예를 도시하였으나, 실시예들에 따라 분할된 영역들이 잠재 변수 영역 공간(1001)의 일부만을 커버할 수 있다. 샘플링 과정이나 추가 샘플링 과정에서 분할된 영역들에 의하여 커버되지 않는 벡터가 획득되는 경우, 검증에 실패하였다고 판단될 수 있다.
다른 실시예에 따르면, 잠재 변수 영역 공간(1001)이 분할되는 대신, 잠재 변수 영역 공간(1001)이 복수의 영역들을 포함하는 형태(1003)로 구현될 수 있다. 마찬가지로, 복수의 영역들에 의하여 잠재 변수 영역 공간(1001)의 일부만을 커버될 수 있고, 샘플링 과정이나 추가 샘플링 과정에서 복수의 영역들에 의하여 커버되지 않는 벡터가 획득되는 경우 검증에 실패하였다고 판단될 수 있다.
이하, 설명의 편의를 위하여, 잠재 변수 영역 공간(1001)이 분할되는 형태(1003)로 구현되는 실시예들을 설명한다.
실시예들에 따르면, 잠재 변수 영역 공간(1001) 내 분할된 영역들은 각각 컨트롤 입력들에 대응하여 서로 구분되면 충분하고, 컨트롤 입력이 입력되는 시점에 해당 컨트롤 입력이 잠재 변수 영역 공간(1001) 내 어느 영역을 지시할지 정확하게 알아야 할 필요는 없다.
도면에 도시하지는 않았으나, 일실시예에 따르면, 잠재 변수 영역 공간(1001)은 소프트 파티션 될 수 있다. 예를 들어, 잠재 변수 영역 공간(1001) 내 영역들이 서로 겹치거나, 잠재 변수 영역 공간(1001) 내 빈 영역이 존재할 수도 있다. 이 경우, 잠재 변수 벡터는 둘 이상의 영역들이 겹친 영역에 속하거나, 빈 영역에 속할 수 있다.
도면에 도시하지는 않았으나, 일실시예에 따르면, 서로 다른 사용자 입력에 대응하여 학습된 결과가 종합적으로 고려되어 응답을 생성하는 응답 추론기가 생성될 수 있다.
사용자 입력 컨트롤 입력 출력 응답
A a1에 기초하여 생성된 특징 벡터 a1
a2 에 기초하여 생성된 특징 벡터 a2
a3 에 기초하여 생성된 특징 벡터 a3
A' b1 에 기초하여 생성된 특징 벡터 b1
a2' 에 기초하여 생성된 특징 벡터 a2'
예를 들어, 상기 표 5를 참조하면, 사용자 입력 A에 대응하여 출력 응답 a1, a2, 및 a3가 학습될 수 있다. 또한, 사용자 입력 A'에 대응하여 출력 응답 b1 및 a2'이 학습될 수 있다.사용자 입력 A와 사용자 입력 A'은 서로 유사할 수 있다. 이 경우, 사용자 입력 A에 의하여 생성되는 제1 잠재 변수 영역 공간과 사용자 입력 A'에 의하여 생성되는 제2 잠재 변수 영역 공간은 서로 유사할 수 있다.
또한, 출력 응답 a2와 출력 응답 a2'은 서로 유사할 수 있다. 이 경우, 출력 응답 a2의 특징벡터에 의하여 선택되는 제1 영역과 출력 응답 a2'의 특징벡터에 의하여 선택되는 제2 영역은 서로 유사할 수 있다.
제1 잠재 변수 영역 공간 내 제1 영역과 제2 잠재 변수 영역 공간 내 제2 영역은 서로 유사한 분포를 가질 수 있고, 다른 출력 응답들(a1, a3, b1)은 제1 영역 및 제2 영역과 구별되는 영역으로 분포될 수 있다.
그 결과, 표 3과 같이 학습된 응답 추론기는 추론 과정에서 사용자 입력 A에 반응하여 a1, a2, a3뿐 아니라 b1을 생성할 수도 있다. 또한, 응답 추론기는 사용자 입력 A'에 반응하여 b1, a2'뿐 아니라 a1, a3를 생성할 수도 있다.
도 11은 일실시예에 따른 장치의 구성의 예시도이다.
도 11을 참조하면, 장치(1101)는 프로세서(1102) 및 메모리(1103)를 포함한다. 일실시예에 따른 장치(1101)는 상술한 응답 추론 장치 또는 학습 장치일 수 있다. 프로세서(1102)는 도 1 내지 도 10을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 10을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1103)는 상술한 응답 추론 방법 또는 학습 방법과 관련된 정보를 저장하거나 상술한 응답 추론 방법 또는 학습 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1103)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(1102)는 프로그램을 실행하고, 장치(1101)를 제어할 수 있다. 프로세서(1102)에 의하여 실행되는 프로그램의 코드는 메모리(1103)에 저장될 수 있다. 장치(1101)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 프로세서를 포함하는 응답 추론 장치의 동작 방법에 있어서,
    사용자 입력을 획득하는 단계;
    상기 프로세서가 상기 사용자 입력을 인코딩하여, 복수의 응답들에 대응하는 영역들을 포함하는 잠재 변수 영역 공간(latent variable region space) 내 잠재 변수 벡터(latent variable vector)를 생성하는 단계;
    상기 프로세서가 상기 잠재 변수 벡터와 특정 위상 차를 가지는 검증 벡터(validation vector)를 생성하는 단계;
    상기 프로세서가 상기 잠재 변수 벡터를 디코딩하여, 상기 잠재 변수 벡터가 속하는 영역에 대응하는 출력 응답을 생성하는 단계;
    상기 프로세서가 상기 검증 벡터를 디코딩하여, 상기 검증 벡터가 속하는 영역에 대응하는 검증 응답(validation response)을 생성하는 단계;
    상기 프로세서가 상기 출력 응답 및 상기 검증 응답을 비교함으로써, 상기 출력 응답을 검증하는 단계; 및
    상기 프로세서가 상기 검증 결과에 따라, 상기 사용자 입력에 대응하여 상기 출력 응답을 출력하는 단계
    를 포함하는
    응답 추론 방법.
  2. 제1항에 있어서,
    상기 검증 벡터를 생성하는 단계는
    상기 프로세서가 상기 검증 벡터의 위상이 상기 잠재 변수 벡터의 위상과 미리 정해진 위상 차이를 가지도록, 상기 검증 벡터를 생성하는 단계
    를 포함하는,
    응답 추론 방법.
  3. 제1항에 있어서,
    상기 검증 벡터를 생성하는 단계는
    상기 프로세서가 상기 잠재 변수 벡터의 위상과 반대되는 위상을 가지도록 상기 검증 벡터를 생성하는 단계
    를 포함하는,
    응답 추론 방법.
  4. 제1항에 있어서,
    상기 검증 벡터는 복수의 검증 벡터들을 포함하고,
    상기 검증 벡터를 생성하는 단계는
    상기 프로세서가 상기 검증 벡터들의 위상들이 상기 잠재 변수 벡터의 위상과 미리 정해진 위상 차이들을 가지도록, 상기 검증 벡터들을 생성하는 단계
    를 포함하는,
    응답 추론 방법.
  5. 제1항에 있어서,
    상기 잠재 변수 벡터는 상기 사용자 입력에 대응하는 응답을 생성하기 위해 잠재된 정보 변수들을 포함하는 다차원의 벡터인,
    응답 추론 방법.
  6. 제1항에 있어서,
    상기 잠재 변수 벡터를 생성하는 단계는
    상기 프로세서가 상기 사용자 입력을 인코딩하여 잠재 변수를 생성하는 단계; 및
    상기 프로세서가 상기 잠재 변수에 대응하는 상기 잠재 변수 영역 공간에 포함된 상기 영역들 중 어느 하나의 영역에 속하는 잠재 변수 벡터를 생성하는 단계
    를 포함하는,
    응답 추론 방법.
  7. 제6항에 있어서,
    상기 어느 하나의 영역에 속하는 잠재 변수 벡터를 생성하는 단계는
    상기 프로세서가 상기 잠재 변수 영역 공간을 표현하는 확률 분포에 기초하여, 복수의 벡터들을 샘플링하는 단계; 및
    상기 프로세서가 상기 샘플링된 벡터들에 기초하여, 상기 잠재 변수 벡터를 생성하는 단계
    를 포함하는,
    응답 추론 방법.
  8. 제1항에 있어서,
    상기 출력 응답을 검증하는 단계는
    상기 프로세서가 상기 출력 응답을 점수화하는 단계;
    상기 프로세서가 상기 검증 응답을 점수화하는 단계; 및
    상기 프로세서가 상기 출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수를 비교하는 단계
    를 포함하는,
    응답 추론 방법.
  9. 제8항에 있어서,
    상기 비교하는 단계는
    상기 프로세서가 상기 출력 응답에 대응하는 점수와 상기 검증 응답에 대응하는 점수 사이의 차이가 미리 정해진 값보다 큰지 여부를 판단하는 단계
    를 포함하는,
    응답 추론 방법.
  10. 제1항에 있어서,
    상기 사용자 입력은 일상 대화 내에서 특정 대답을 의도하지 않는 사용자 발화이고,
    상기 복수의 응답들은 상기 사용자 발화에 대응하는 서로 다른 답변들인,
    응답 추론 방법.
  11. 제1항에 있어서,
    상기 잠재 변수 벡터를 생성하는 단계는
    상기 프로세서가 인코더를 이용하여 상기 사용자 입력을 인코딩하는 단계를 포함하고,
    상기 인코더의 뉴럴 네트워크는 상기 사용자 입력에 대응하는 입력 레이어와 상기 잠재 변수를 모델링 하는 확률 분포의 평균 및 분산에 대응하는 출력 레이어를 포함하는,
    응답 추론 방법.
  12. 제1항에 있어서,
    상기 출력 응답을 생성하는 단계는
    상기 프로세서가 디코더를 이용하여 상기 잠재 변수 벡터를 디코딩하는 단계를 포함하고,
    상기 검증 응답을 생성하는 단계는
    상기 프로세서가 상기 디코더를 이용하여 상기 검증 벡터를 디코딩하는 단계를 포함하며,
    상기 프로세서가 상기 디코더의 뉴럴 네트워크는 상기 잠재 변수 벡터에 대응하는 입력 레이어와 상기 출력 응답에 대응하는 출력 레이어를 포함하는,
    응답 추론 방법.
  13. 제12항에 있어서,
    상기 디코더의 뉴럴 네트워크는 상기 검증 벡터에 대응하는 입력 레이어와 상기 검증 응답에 대응하는 출력 레이어를 포함하는,
    응답 추론 방법.
  14. 프로세서를 포함하는 학습 장치의 동작 방법에 있어서,
    트레이닝 입력을 획득하는 단계;
    상기 프로세서가 상기 트레이닝 입력에 대응하는 복수의 트레이닝 응답들 중 어느 하나의 트레이닝 응답을 획득하는 단계;
    상기 프로세서가 학습시키고자 하는 인코더로 상기 트레이닝 입력을 인가하여, 잠재 변수를 생성하는 단계;
    상기 프로세서가 상기 잠재 변수에 대응하는 잠재 변수 영역 공간에 포함되는 영역의 트레이닝 잠재 변수 벡터를 생성하는 단계;
    상기 프로세서가 학습시키고자 하는 디코더로 상기 트레이닝 잠재 변수 벡터를 인가하여, 출력 응답을 생성하는 단계;
    상기 프로세서가 상기 출력 응답 및 상기 트레이닝 응답에 기초하여, 상기 인코더 및 상기 디코더의 뉴럴 네트워크를 학습시키는(training) 단계
    상기 프로세서가 상기 트레이닝 잠재 변수 벡터와 특정 위상 차를 가지는 트레이닝 검증 벡터를 생성하는 단계;
    상기 프로세서가 상기 디코더로 상기 트레이닝 검증 벡터를 인가하여, 트레이닝 검증 응답을 생성하는 단계;
    상기 프로세서가 상기 출력 응답과 상기 트레이닝 검증 응답을 구별하도록 동작하는 판별기(Discriminator)를 학습시키는 단계; 및
    상기 프로세서가 상기 판별기가 상기 출력 응답과 상기 트레이닝 검증 응답을 구별하지 못하도록, 상기 인코더 및 상기 디코더의 뉴럴 네트워크를 학습시키는 단계
    를 포함하는,
    응답 추론을 위한 학습 방법.
  15. 삭제
  16. 제14항에 있어서,
    상기 트레이닝 잠재 변수 벡터는 상기 트레이닝 입력에 대응하는 응답을 생성하기 위해 잠재된 정보 변수들을 포함하는 다차원의 벡터인,
    응답 추론을 위한 학습 방법.
  17. 제14항에 있어서,
    상기 잠재 변수 영역 공간은 상기 복수의 트레이닝 응답들에 대응하는 복수의 영역들을 포함하는,
    응답 추론을 위한 학습 방법.
  18. 제14항에 있어서,
    상기 트레이닝 잠재 변수 벡터를 생성하는 단계는
    상기 프로세서가 상기 잠재 변수 영역 공간을 표현하는 확률 분포에 기초하여, 복수의 벡터들을 샘플링하는 단계;
    상기 프로세서가 컨트롤 입력을 랜덤화하여 임베디드 컨트롤 입력을 생성하는 단계;
    상기 프로세서가 상기 임베디드 컨트롤 입력을 상기 샘플링된 벡터들에 각각 적용하는 단계; 및
    상기 프로세서가 상기 임베디드 컨트롤 입력이 적용된 상기 샘플링된 벡터들을 가중 합(weighted sum)하여 트레이닝 잠재 변수 벡터를 생성하는 단계
    를 포함하는,
    응답 추론을 위한 학습 방법.
  19. 하드웨어와 결합되어 제1항 내지 제14항 및 제16항 내지 제18항 중 어느 하나의 항의 방법을 실행시키기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
  20. 프로그램이 기록된 메모리; 및
    상기 프로그램을 수행하는 프로세서
    를 포함하고,
    상기 프로그램은,
    사용자 입력을 획득하는 단계;
    상기 사용자 입력을 인코딩하여, 복수의 응답들에 대응하는 영역들을 포함하는 잠재 변수 영역 공간(latent variable region space) 내 잠재 변수 벡터(latent variable vector)를 생성하는 단계;
    상기 잠재 변수 벡터와 특정 위상 차를 가지는 검증 벡터(validation vector)를 생성하는 단계;
    상기 잠재 변수 벡터를 디코딩하여, 상기 잠재 변수 벡터가 속하는 영역에 대응하는 출력 응답을 생성하는 단계;
    상기 검증 벡터를 디코딩하여, 상기 검증 벡터가 속하는 영역에 대응하는 검증 응답(validation response)을 생성하는 단계;
    상기 출력 응답 및 상기 검증 응답을 비교함으로써, 상기 출력 응답을 검증하는 단계; 및
    상기 검증 결과에 따라, 상기 사용자 입력에 대응하여 상기 출력 응답을 출력하는 단계
    를 수행하는
    응답 추론 장치.

KR1020190122021A 2019-10-02 2019-10-02 응답 추론 방법 및 장치 Active KR102814913B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190122021A KR102814913B1 (ko) 2019-10-02 2019-10-02 응답 추론 방법 및 장치
US16/829,180 US11295729B2 (en) 2019-10-02 2020-03-25 Response inference method and apparatus
CN202010392362.5A CN112597270B (zh) 2019-10-02 2020-05-11 响应推断方法和设备
EP20181969.5A EP3800574A1 (en) 2019-10-02 2020-06-24 Response inference method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190122021A KR102814913B1 (ko) 2019-10-02 2019-10-02 응답 추론 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210039598A KR20210039598A (ko) 2021-04-12
KR102814913B1 true KR102814913B1 (ko) 2025-05-30

Family

ID=71170249

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190122021A Active KR102814913B1 (ko) 2019-10-02 2019-10-02 응답 추론 방법 및 장치

Country Status (4)

Country Link
US (1) US11295729B2 (ko)
EP (1) EP3800574A1 (ko)
KR (1) KR102814913B1 (ko)
CN (1) CN112597270B (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3816865A1 (en) * 2019-10-30 2021-05-05 Robert Bosch GmbH Determining an output by aggregating parent instances
US11625543B2 (en) * 2020-05-31 2023-04-11 Salesforce.Com, Inc. Systems and methods for composed variational natural language generation
KR20220040050A (ko) 2020-09-23 2022-03-30 삼성전자주식회사 자연어 처리 모델 트레이닝 방법 및 장치와 컴퓨팅 장치
US12518129B2 (en) * 2020-11-30 2026-01-06 Oracle International Corporation Method and system for over-prediction in neural networks
US11750848B2 (en) * 2020-11-30 2023-09-05 Google Llc High-fidelity generative image compression
US12530536B2 (en) * 2022-05-19 2026-01-20 Google Llc Mixture-of-expert approach to reinforcement learning-based dialogue management

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161635A1 (en) 2015-12-02 2017-06-08 Preferred Networks, Inc. Generative machine learning systems for drug design
US20180218261A1 (en) 2017-01-31 2018-08-02 Paypal, Inc. Fraud prediction based on partial usage data
WO2018224690A1 (en) * 2017-06-09 2018-12-13 Deepmind Technologies Limited Generating discrete latent representations of input data items

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5699270A (en) * 1995-06-23 1997-12-16 Exxon Research And Engineering Company Method for preparing lubrication oils (LAW232)
US8666515B2 (en) 2009-01-07 2014-03-04 Cfi Group Usa, Llc Statistical impact analysis machine
US8521477B2 (en) * 2009-12-18 2013-08-27 Electronics And Telecommunications Research Institute Method for separating blind signal and apparatus for performing the same
GB201718756D0 (en) * 2017-11-13 2017-12-27 Cambridge Bio-Augmentation Systems Ltd Neural interface
KR102071582B1 (ko) * 2017-05-16 2020-01-30 삼성전자주식회사 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치
KR102608469B1 (ko) * 2017-12-22 2023-12-01 삼성전자주식회사 자연어 생성 방법 및 장치
US20200041276A1 (en) * 2018-08-03 2020-02-06 Ford Global Technologies, Llc End-To-End Deep Generative Model For Simultaneous Localization And Mapping
KR20200023664A (ko) * 2018-08-14 2020-03-06 삼성전자주식회사 응답 추론 방법 및 장치
CN110083710B (zh) * 2019-04-30 2021-04-02 北京工业大学 一种基于循环神经网络与潜变量结构的词语定义生成方法
US11010421B2 (en) * 2019-05-09 2021-05-18 Microsoft Technology Licensing, Llc Techniques for modifying a query image
US10937213B2 (en) * 2019-06-27 2021-03-02 Fuji Xerox Co., Ltd. Systems and methods for summarizing and steering multi-user collaborative data analyses

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161635A1 (en) 2015-12-02 2017-06-08 Preferred Networks, Inc. Generative machine learning systems for drug design
US20180218261A1 (en) 2017-01-31 2018-08-02 Paypal, Inc. Fraud prediction based on partial usage data
WO2018224690A1 (en) * 2017-06-09 2018-12-13 Deepmind Technologies Limited Generating discrete latent representations of input data items

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Park, Yookoon, Jaemin Cho, and Gunhee Kim. A hierarchical latent structure for variational conversation modeling. arXiv preprint arXiv:1804.03424. 2018.

Also Published As

Publication number Publication date
US20210104231A1 (en) 2021-04-08
CN112597270B (zh) 2025-01-03
CN112597270A (zh) 2021-04-02
EP3800574A1 (en) 2021-04-07
KR20210039598A (ko) 2021-04-12
US11295729B2 (en) 2022-04-05

Similar Documents

Publication Publication Date Title
KR102814913B1 (ko) 응답 추론 방법 및 장치
KR102281581B1 (ko) 목표지향 대화시스템에서의 대화상태 추적방법 및 장치
CN112905735A (zh) 用于自然语言处理的方法和设备
Zhao et al. Adversarially regularized autoencoders
US20210327428A1 (en) Adversarial learning and generation of dialogue responses
KR102342066B1 (ko) 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
Alaluf et al. Myvlm: Personalizing vlms for user-specific queries
KR20200023664A (ko) 응답 추론 방법 및 장치
Deldjoo et al. Recommendation with generative models
CN112668317B (zh) 用于确定输出词法单元的方法和设备
CN113448477A (zh) 交互式图像编辑方法、装置、可读存储介质及电子设备
JP7315065B2 (ja) 質問生成装置、質問生成方法及びプログラム
US11244015B1 (en) Projecting queries into a content item embedding space
Olabiyi et al. An adversarial learning framework for a persona-based multi-turn dialogue model
CN113822125A (zh) 唇语识别模型的处理方法、装置、计算机设备和存储介质
KR20200046189A (ko) 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템
Bi et al. Parameters vs. context: Fine-grained control of knowledge reliance in language models
Ali et al. Automatic text‐to‐gesture rule generation for embodied conversational agents
JP2017199355A (ja) レコメンデーション生成
CN114020954A (zh) 一种用于体现用户意图和风格的个性化图像描述方法
Moullec et al. Cheaper Spaces: M. Moullec, I. Douven
CN119790396A (zh) 基于证据链的计算机化问题回答
CN120611088A (zh) 基于大语言模型的养老机构推荐方法、装置及设备
US12367329B1 (en) Protein binder search
Shukla et al. DeepInsight: a CNN-based approach for machine reading comprehension in query answering systems and its applications

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20191002

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20220907

Comment text: Request for Examination of Application

Patent event code: PA02011R01I

Patent event date: 20191002

Comment text: Patent Application

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20241024

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20250307

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20250527

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20250528

End annual number: 3

Start annual number: 1

PG1601 Publication of registration