KR20200054360A

KR20200054360A - 전자 장치 및 그 제어 방법

Info

Publication number: KR20200054360A
Application number: KR1020180134200A
Authority: KR
Inventors: 유희재; 권세정; 김화민
Original assignee: 삼성전자주식회사
Priority date: 2018-11-05
Filing date: 2018-11-05
Publication date: 2020-05-20
Anticipated expiration: 2038-11-05
Also published as: EP3647986A1; WO2020096255A1; US20200142956A1; US11443116B2; CN112970013A; KR102797062B1

Abstract

전자 장치가 개시된다. 본 전자 장치는 엔티티 식별 모델이 저장된 메모리 및 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별하고, 복수의 엔티티에 대응되는 검색 결과를 획득하며, 상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 검색 결과에 기초하여 상기 입력된 문장을 정정(correction)하여 제공하는 프로세서를 포함하며, 엔티티 식별 모델은 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득될 수 있다. 특히, 대화로부터 엔티티를 식별하기 위한 방법의 적어도 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용할 수 있다.

Description

전자 장치 및 그 제어 방법 { ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF }

본 개시는 전자 장치 및 그 제어 방법에 대한 것으로, 더욱 상세하게는 컨텍스트(context)에 따른 정보를 제공하는 전자 장치 및 그 제어 방법에 대한 것이다.

또한, 본 개시는 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.

근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

종래에는 위치 정보 사전, 인명 사전, 조직 이름 사전이 있어야 텍스트에서 해당 정보를 뽑아낼 수 있었으므로 필요한 용량이 방대하며 인덱스 검색 시에 시간 도 많이 든다. 또한, 비대한 과정을 거쳐 위치 정보를 뽑아냈다고 해도 이를 바로 원 클릭으로 사용자에게 정보(지도, 주변 뉴스 등)를 제공하는 로직이 상용화되지 않았다.

그에 따라, 필요로 하는 데이터 용량을 감소시키면서도 사용자에게 유용한 정보를 제공하기 위한 방법이 개발될 필요가 있다.

본 개시는 상술한 필요성에 따른 것으로, 본 개시의 목적은 컨텍스트에 따른 정보 제공의 속도를 향상시키고, 필요로 하는 데이터 용량을 감소시키기 위한 전자 장치 및 그 제어 방법을 제공함에 있다.

이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 엔티티 식별 모델이 저장된 메모리 및 상기 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별하고, 상기 복수의 엔티티에 대응되는 검색 결과를 획득하며, 상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 검색 결과에 기초하여 상기 입력된 문장을 정정(correction)하여 제공하는 프로세서를 포함하며, 상기 엔티티 식별 모델은 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득될 수 있다.

또한, 상기 프로세서는 상기 복수의 엔티티 각각의 속성을 식별하며, 상기 식별된 복수의 속성 중 적어도 하나에 기초하여 상기 복수의 엔티티가 상기 검색 결과에 대응되는지 식별할 수 있다.

그리고, 상기 프로세서는 상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공할 수 있다.

또한, 상기 프로세서는 상기 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득할 수 있다.

그리고, 상기 프로세서는 상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 엔티티 각각에 대한 중요도를 획득하고, 상기 복수의 엔티티 중 중요도가 가장 큰 엔티티에 기초하여 나머지 엔티티가 상기 검색 결과에 대응되는지 식별할 수 있다.

또한, 상기 프로세서는 상기 입력되는 문장에 포함된 복수의 단어를 식별하고, 상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 단어 중 상기 복수의 엔티티를 식별할 수 있다.

그리고, 상기 프로세서는 상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티 중 하나로 식별할 수 있다.

또한, 상기 프로세서는 상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티로서 이용하지 않을 수 있다.

그리고, 상기 프로세서는 상기 입력되는 문장에 오류가 있는 경우에 상기 입력된 문장을 정정하여 제공할 수 있다.

또한, 상기 프로세서는 사용자 명령이 입력되면, 상기 검색 결과의 획득에 이용된 상기 복수의 엔티티를 제공할 수 있다.

한편, 본 개시의 일 실시 예에 따르면, 전자 장치의 제어 방법은 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별하는 단계, 상기 복수의 엔티티에 대응되는 검색 결과를 획득하는 단계 및 상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 검색 결과에 기초하여 상기 입력된 문장을 정정(correction)하여 제공하는 단계를 포함하며, 상기 엔티티 식별 모델은 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득될 수 있다.

또한, 상기 제공하는 단계는 상기 복수의 엔티티 각각의 속성을 식별하며, 상기 식별된 복수의 속성 중 적어도 하나에 기초하여 상기 복수의 엔티티가 상기 검색 결과에 대응되는지 식별할 수 있다.

그리고, 상기 제공하는 단계는 상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공하는 단계를 더 포함할 수 있다.

또한, 상기 획득하는 단계는 상기 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득할 수 있다.

그리고, 상기 제공하는 단계는 상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 엔티티 각각에 대한 중요도를 획득하는 단계 및 상기 복수의 엔티티 중 중요도가 가장 큰 엔티티에 기초하여 나머지 엔티티가 상기 검색 결과에 대응되는지 식별하는 단계를 포함할 수 있다.

또한, 상기 식별하는 단계는 상기 입력되는 문장에 포함된 복수의 단어를 식별하고, 상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 단어 중 상기 복수의 엔티티를 식별할 수 있다.

그리고, 상기 식별하는 단계는 상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티 중 하나로 식별할 수 있다.

또한, 상기 식별하는 단계는 상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티로서 이용하지 않을 수 있다.

그리고, 상기 제공하는 단계는 상기 입력되는 문장에 오류가 있는 경우에 상기 입력된 문장을 정정하여 제공할 수 있다.

또한, 사용자 명령이 입력되면, 상기 검색 결과의 획득에 이용된 상기 복수의 엔티티를 제공하는 단계를 더 포함할 수 있다.

이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 인공지능 알고리즘을 통해 학습된 엔티티 식별 모델을 이용함에 따라 필요로 하는 데이터 용량을 감소시키고, 컨텍스트에 따른 정보 제공의 속도를 향상시킬 수 있다.

도 1a는 전자 장치의 구성의 일 예를 나타내는 블럭도이다.
도 1b는 전자 장치의 세부 구성의 일 예를 나타내는 블럭도이다.
도 2a 내지 도 2d는 본 개시의 일 실시 예에 따른 전자 장치의 동작을 개략적으로 설명하기 위한 도면들이다.
도 3a 내지 도 3d는 본 개시의 일 실시 예에 따른 오류 정정 방법을 설명하기 위한 도면들이다.
도 4a 및 도 4b는 본 개시의 다른 실시 예에 따른 오류 정정 방법을 설명하기 위한 도면들이다.
도 5는 본 개시의 일 실시 예에 따른 컨텍스트를 이용하는 방법을 설명하기 위한 도면이다.
도 6은 본 개시의 다른 실시 예에 따른 컨텍스트를 이용하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 타 전자 장치의 구성을 나타내는 블록도이다.
도 8은 본 개시의 일 실시 예에 따른 학습부를 나타내는 블록도이다.
도 9는 본 개시의 일 실시 예에 따른 응답부를 나타내는 블록도이다.
도 10은 본 개시의 일 실시 예에 따른 전자 장치 및 외부의 서버가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
도 11은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 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 개시의 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 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.

본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.

본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

이하 첨부된 도면들을 참조하여 본 개시의 일 실시 예를 보다 상세하게 설명한다.

도 1a는 전자 장치(100)의 구성의 일 예를 나타내는 블럭도이다.

도 1a에 따르면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함한다.

본 명세서의 다양한 실시 예들에 따른 전자 장치(100)는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시 예들에서, 전자 장치(100)는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.

다른 실시 예에서, 전자 장치(100)는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.

그 밖에, 전자 장치(100)는 문장을 입력받고, 입력된 문장에 관련된 정보를 제공할 수 있는 장치라면 어떠한 장치라도 무방하다.

메모리(110)는 엔티티 식별 모델을 저장할 수 있다. 엔티티 식별 모델은 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득된 모델일 수 있다. 여기서, 엔티티(entity)는 엔티티 식별 모델에서 제공하는 의미가 있는 정보의 단위를 의미하며, 개체명이라고도 한다. 예를 들어, 엔티티는 음식, 조직 이름, 지명, 국가, 성명, 작품 이름, 날짜 등 다양한 형태일 수 있으며, 고유 명사를 포함할 수 있다. 예를 들어, "메르스 감염자 나왔대", "A 병원에서 발견되었다고 하더라"라는 대화에서 "메르스", "A 병원" 등의 단어는 엔티티 후보일 수 있다. 그리고, 엔티티 후보 중 컨텍스트에 기초하여 "메르스"가 엔티티로서 결정될 수 있다. 즉, 프로세서(120)는 엔티티 식별 모델을 이용하여 대화에 포함된 단어를 식별하고, 사용 빈도, 컨텍스트(context), 엔티티 후보 간의 연관성 등에 기초하여 엔티티를 추출할 수 있다.

엔티티 식별 모델은 "메르스 감염자 나왔대", "A 병원에서 발견되었다고 하더라"라는 샘플 대화에 포함된 샘플 엔티티 "메르스", "A 병원"을 추출하도록 인공지능 알고리즘을 통해 학습될 수 있다. 여기서, 샘플 엔티티는 샘플 대화 별로 기 설정된 상태일 수 있다. 그리고, 이상과 같이 복수의 샘플 대화 및 대응되는 샘플 엔티티에 대한 학습을 반복하여 엔티티 식별 모델이 획득될 수 있다.

메모리(110)는 하드디스크, 비휘발성 메모리 및 휘발성 메모리 등으로 구현될 수 있으며, 데이터를 저장할 수 있는 구성이라면 어떠한 구성이라도 가능하다.

프로세서(120)는 전자 장치(100)의 동작을 전반적으로 제어한다.

프로세서(120)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), GPU(graphics-processing unit) 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(120)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다. 프로세서(120)는 메모리(120)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다.

프로세서(120)는 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별할 수 있다. 예를 들어, 프로세서(120)는 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 적어도 하나의 단어를 엔티티로서 식별할 수 있다. 여기서, 프로세서(120)는 복수의 문장을 순차적으로 입력받을 수 있다.

특히, 프로세서(120)는 입력되는 문장에 포함된 복수의 단어를 식별하고, 입력되는 문장의 컨텍스트에 기초하여 복수의 단어 중 복수의 엔티티를 식별할 수 있다.

구체적으로, 프로세서(120)는 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 복수의 단어 중 제1 문장에서 식별된 제1 단어를 복수의 엔티티 중 하나로 식별할 수 있다. 예를 들어, 프로세서(120)는 "오늘 A 피자 먹을까?", "그래"와 같은 문장이 입력되면, "오늘", "A 피자", "먹을까", "그래"와 같은 단어를 식별하고, 두 번째 문장이 긍정문이므로, "A 피자"를 복수의 엔티티 중 하나로서 식별할 수 있다. 이후, 추가로 문장이 입력되면, 프로세서(120)는 "A 피자"를 엔티티에서 제외할 수도 있다. 만약, 프로세서(120)가 복수의 엔티티를 식별한 상태에서 추가 문장이 입력되면, 복수의 엔티티 중 적어도 일부를 엔티티에서 제외할 수도 있다.

또는, 프로세서(120)는 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 복수의 단어 중 제1 문장에서 식별된 제1 단어를 복수의 엔티티로서 이용하지 않을 수 있다. 예를 들어, 프로세서(120)는 "오늘 A 피자 먹을까?", "아니. B 피자 먹을래."와 같은 문장이 입력되면, "A 피자"를 엔티티로 식별한 상태에서 두 번째 문장이 부정문이므로, "A 피자"를 엔티티로서 이용하지 않을 수 있다. 이 경우, 프로세서(120)는 "B 피자"만을 엔티티로서 식별하거나 추가로 문장이 입력되기를 기다릴 수도 있다. 즉, 프로세서(120)는 엔티티 후보로 남겨진 단어의 의미에 기초하여 추가 문장을 기다리거나, 남겨진 단어를 엔티티로서 결정하고 이후 동작을 수행할 수도 있다.

프로세서(120)는 복수의 엔티티에 대응되는 검색 결과를 획득할 수 있다. 예를 들어, 프로세서(120)는 "서초동", "A 족발"이 엔티티로서 식별되면, 식별된 엔티티를 이용하여 검색을 수행할 수 있다. 가령, 전자 장치(100)가 네트워크에 연결된 경우, 프로세서(120)는 인터넷 검색 엔진 등을 통해 "서초동", "A 족발"에 대응되는 검색 결과를 획득할 수 있다. 또는, 프로세서(120)는 외부 서버로 식별된 엔티티를 전송하고, 외부 서버에서 엔티티에 대응되는 검색 결과를 수신할 수도 있다.

프로세서(120)는 획득된 검색 결과와 관련된 정보를 제공할 수 있다. 여기서, 검색 결과와 관련된 정보는 복수의 엔티티에 대응되는 검색 결과를 포함할 수 있다. 예를 들어, 프로세서(120)는 "서초동", "A 족발"에 대응되는 검색 결과 중 서초동에 위치한 A 족발의 지도 정보를 제공할 수 있다. 또한, 검색 결과와 관련된 정보는 입력된 문장을 정정(correction)한 정보를 포함할 수도 있다. 즉, 프로세서(120)는 복수의 엔티티와 검색 결과가 대응되는 경우, 검색 결과와 관련된 정보를 제공할 수 있다. 가령, 프로세서(120)는 검색 결과와 관련된 정보로서, 복수의 엔티티에 대한 주소, 지도, 매출액, 브랜드 평판, 최신 뉴스 등을 제공할 수 있다.

또는, 프로세서(120)는 복수의 엔티티와 검색 결과가 대응되지 않는 경우, 검색 결과에 기초하여 입력된 문장을 정정(correction)하여 제공할 수 있다. 예를 들어, 프로세서(120)는 "서초동", "A 족발" 중 "A 족발"에 대응되는 검색 결과인 A 족발은 송파동에 있음을 안내하는 메시지를 제공할 수도 있다. 이때, 프로세서(120)는 "A 족발"에 대응되는 검색 결과 중 "서초동"의 속성을 고려하여 검색 결과와 관련된 정보를 제공할 수 있다. 여기서, "서초동"의 속성은 위치 속성일 수 있으며, 이에 대하여는 후술한다.

프로세서(120)는 복수의 엔티티 각각의 속성을 식별하며, 식별된 복수의 속성 중 적어도 하나에 기초하여 복수의 엔티티와 검색 결과가 대응되는지 식별할 수 있다. 프로세서(120)는 복수의 엔티티와 검색 결과가 대응되면, 검색 결과와 관련된 정보를 제공할 수 있다. 예를 들어, 프로세서(120)는 "서초동", "A 족발"이 엔티티로서 식별되면, "서초동"의 속성이 위치(location) 속성이고, "A 족발"이 조직(organization) 속성임을 식별할 수 있다. 그리고, 프로세서(120)는 위치 속성 및 조직 속성 중 위치 속성에 기초하여 "A 족발"의 주소가 서초동으로부터 기설정된 거리 이내인지 식별할 수 있다. 프로세서(120)는 "A 족발"의 주소가 서초동으로부터 기설정된 거리 이내이면, 복수의 엔티티와 검색 결과가 대응되는 것으로 판단하고, 검색 결과와 관련된 정보를 제공할 수 있다.

또는, 프로세서(120)는 복수의 엔티티와 검색 결과가 대응되지 않는 경우, 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공할 수 있다. 상술한 예에서, 프로세서(120)는 프로세서(120)는 "A 족발"의 주소가 서초동으로부터 기설정된 거리 이내가 아니면, "A 족발"의 주소가 서초동이 아니라는 안내 메시지와 "A 족발"의 주소를 나타내는 지도 정보를 제공할 수 있다.

또는, 프로세서(120)는 제1 엔티티 및 제2 엔티티 중 중요도가 높은 엔티티를 식별하고, 중요도가 낮은 엔티티의 속성 및 중요도가 높은 엔티티에 기초하여 의문형 문장을 생성할 수 있다. 여기서, 프로세서(120)는 엔티티 식별 모델을 통해 의문형 문장을 생성할 수도 있다. 그리고, 프로세서(120)는 중요도가 높은 엔티티에 기초한 검색 결과 및 의문형 문장에 기초한 검색 결과로부터 중요도가 낮은 엔티티를 정정(correction)할 수 있다.

예를 들어, 프로세서(120)는 “오르세 박물관 가면 모나리자 보자”라는 문장으로부터 “오르세 박물관” 및 “모나리자”를 엔티티로서 식별할 수 있다. 그리고, 프로세서(120)는 “오르세 박물관” 및 “모나리자” 중 “모나리자”의 중요도가 더 높다고 판단되면, “오르세 박물관”의 속성인 조직(organization) 속성 및 “모나리자”에 기초하여 의문형 문장을 생성할 수 있다. 가령, 프로세서(120)는 “어느 $organization$에 가면 “모나리자”를 볼 수 있니?”와 같은 의문형 문장을 생성할 수 있다. 프로세서(120)는 “모나리자”에 기초한 검색 결과 및 의문형 문장에 기초한 검색 결과로부터 “오르세 박물관”을 “루브르 박물관”으로 정정할 수 있다.한편, 프로세서(120)는 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득할 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 속성이 동일한 엔티티에 대응되는 검색 결과를 획득할 수도 있고, 속성이 동일한 제1 엔티티 및 제2 엔티티와 속성이 다른 제3 엔티티에 대응되는 검색 결과를 획득할 수도 있다.

한편, 프로세서(120)는 입력되는 문장의 컨텍스트에 기초하여 복수의 엔티티 각각에 대한 중요도를 획득하고, 복수의 엔티티 중 중요도가 가장 높은 엔티티에 기초하여 나머지 엔티티가 검색 결과에 대응되는지 식별할 수 있다.

예를 들어, 프로세서(120)는 복수의 엔티티 각각의 사용 빈도, 컨텍스트, 엔티티 후보 간의 연관성 중 적어도 하나에 기초하여 복수의 엔티티 각각에 대한 중요도를 획득할 수 있다. 그리고, 프로세서(120)는 복수의 엔티티 중 중요도가 가장 높은 제1 엔티티에 대한 제1 검색 결과를 획득하고, 제1 검색 결과에서 중요도가 제1 엔티티 다음으로 높은 제2 엔티티에 대한 검색을 수행할 수 있다. 만약, 제1 검색 결과에서 제2 엔티티가 검색되지 않는 경우, 프로세서(120)는 제2 엔티티는 검색 결과에 대응되지 않는 것으로 식별하며, 제2 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공할 수 있다. 추가적으로, 프로세서(120)는 제1 엔티티의 속성 및 제2 엔티티의 속성 중 적어도 하나에 기초하여 추가 검색을 수행할 수 있다. 가령, 프로세서(120)는 제2 엔티티가 위치 속성인 경우, 제1 검색 결과에서 위치 속성의 엔티티를 검색하고, 제1 엔티티와 검색된 위치 속성의 엔티티가 연관되었다는 메시지를 제공할 수도 있다.

다만, 이에 한정되는 것은 아니며, 프로세서(120)는 얼마든지 다양한 방법으로 엔티티와 검색 결과의 대응 여부를 판단할 수도 있다.

한편, 프로세서(120)는 입력되는 문장에 오류가 있는 경우에 입력된 문장을 정정하여 제공할 수 있다. 예를 들어, 프로세서(120)는 제1 문장에서 제1 엔티티 및 제2 엔티티가 식별되고, 제1 엔티티 및 제2 엔티티에 대응되는 검색 결과에 오류가 있는 경우, 검색 결과에 기초하여 제1 엔티티 및 제2 엔티티 중 적어도 하나를 정정하여 제공할 수 있다. 이 경우, 프로세서(120)는 오류가 있음을 안내하는 안내 메시지 또는 오류를 정정한 안내 메시지를 제공할 수 있다.

또는, 프로세서(120)는 검색 결과와 관련된 정보가 획득된 후 새롭게 입력된 문장이 긍정문인 경우에 검색 결과와 관련된 정보를 제공할 수도 있다. 이때, 프로세서(120)는 복수의 엔티티와 검색 결과가 대응되는 경우에 검색 결과와 관련된 정보를 제공할 수도 있다.

또는, 프로세서(120)는 제1 문장에서 제1 엔티티 및 제2 엔티티가 식별되고, 제1 엔티티 및 제2 엔티티에 대응되는 검색 결과를 획득하며, 긍정문인 제2 문장이 입력되면 검색 결과와 관련된 정보를 제공할 수도 있다. 즉, 프로세서(120)는 문장이 입력될 때마다 엔티티를 업데이트하고, 업데이트된 엔티티를 이용하여 검색을 수행하며, 컨텍스트에 기초하여 검색 결과와 관련된 정보를 제공할 수 있다.

다만, 이에 한정되는 것은 아니며, 프로세서(120)는 얼마든지 다양한 방법으로 검색 결과와 관련된 정보를 제공하는 시점을 결정할 수도 있다. 예를 들어, 프로세서(120)는 문장이 입력되어 검색 결과가 기설정된 개수 이하로 한정되는 경우에 검색 결과와 관련된 정보를 제공할 수도 있다. 가령, 프로세서(120)는 제1 엔티티 및 제2 엔티티에 대한 검색 결과로 20개의 검색 결과를 획득한 후, 이후에 입력된 문장에 포함된 제3 엔티티에 의해 20개의 검색 결과 중 1개를 획득할 수도 있다. 프로세서(120)는 1개의 검색 결과에 기초하여 정보를 제공할 수 있다. 또는, 프로세서(120)는 복수의 검색 결과라도 동일한 내용임을 식별하여 정보를 제공할 수도 있다.

또는, 프로세서(120)는 복수의 검색 결과 중 기설정된 카테고리의 검색 결과와 관련된 정보를 제공할 수도 있다. 예를 들어, 프로세서(120)는 제1 엔티티 및 제2 엔티티에 대한 검색 결과로 20개의 검색 결과를 획득할 수 있으며, 여기서 20개의 검색 결과는 시간 정보, 위치 정보, 사진 정보 등과 같이 다양한 카테고리의 정보를 포함할 수 있다. 그리고, 프로세서(120)는 이후에 입력된 제3 엔티티가 위치 속성인 경우, 20개의 검색 결과 중 위치 정보를 제공할 수도 있다.

한편, 프로세서(120)는 사용자 명령이 입력되면, 검색 결과의 획득에 이용된 복수의 엔티티를 제공할 수 있다. 예를 들어, 프로세서(120)는 제1 엔티티 및 제2 엔티티에 대응되는 검색 결과를 획득하고, 검색 결과와 관련된 정보를 제공할 수 있다. 그리고, 프로세서(120)는 사용자 명령이 입력되면, 제1 엔티티 및 제2 엔티티를 제공할 수 있다. 사용자는 제1 엔티티 및 제2 엔티티 중 하나를 삭제하는 명령을 입력하여, 제1 엔티티에 대응되는 검색 결과를 요청할 수도 있다. 또는, 사용자는 제1 엔티티 및 제2 엔티티에 제3 엔티티를 추가하는 명령을 입력하여, 제1 엔티티, 제2 엔티티 및 제3 엔티티에 대응되는 검색 결과를 요청할 수도 있다.

도 1b는 전자 장치(100)의 세부 구성의 일 예를 나타내는 블럭도이다. 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 또한, 도 1b에 따르면, 전자 장치(100)는 통신 인터페이스(130), 디스플레이(140), 사용자 인터페이스(150), 입출력 인터페이스(160), 스피커(170), 마이크(180)를 더 포함할 수도 있다. 도 1b에 도시된 구성요소들 중 도 1a에 도시된 구성요소와 중복되는 부분에 대해서는 자세한 설명을 생략하도록 한다.

메모리(110)는 프로세서(120)에 포함된 롬(ROM)(예를 들어, EEPROM(electrically erasable programmable read-only memory)), 램(RAM) 등의 내부 메모리로 구현되거나, 프로세서(120)와 별도의 메모리로 구현될 수도 있다. 이 경우, 메모리(110)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다. 한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현되고, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.

메모리(110)는 전자 장치(100)를 구동시키기 위한 O/S(Operating System) 소프트웨어 모듈, 엔티티 식별 모듈, 검색 모듈 및 정보 제공 모듈 등과 같이 다양한 데이터를 저장한다.

프로세서(120)는 메모리(110)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 동작을 전반적으로 제어한다.

구체적으로, 프로세서(120)는 RAM(121), ROM(122), 메인 CPU(123), 제1 내지 n 인터페이스(124-1 ~ 124-n), 버스(125)를 포함한다.

RAM(121), ROM(122), 메인 CPU(123), 제1 내지 n 인터페이스(124-1 ~ 124-n) 등은 버스(125)를 통해 서로 연결될 수 있다.

ROM(122)에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴온 명령이 입력되어 전원이 공급되면, 메인 CPU(123)는 ROM(122)에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM(121)에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU(123)는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM(121)에 복사하고, RAM(121)에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

메인 CPU(123)는 메모리(110)에 액세스하여, 메모리(110)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고, 메모리(110)에 저장된 각종 프로그램, 컨텐츠 데이터 등을 이용하여 다양한 동작을 수행한다.

제1 내지 n 인터페이스(124-1 내지 124-n)는 상술한 각종 구성 요소들과 연결된다. 인터페이스들 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.

한편, 프로세서(120)는 그래픽 처리 기능(비디오 처리 기능)을 수행할 수 있다. 예를 들어, 프로세서(120)는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이콘, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성할 수 있다. 여기서, 연산부(미도시)는 수신된 제어 명령에 기초하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산할 수 있다. 그리고, 렌더링부(미도시)는 연산부(미도시)에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성할 수 있다. 또한, 프로세서(120)는 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다.

한편, 프로세서(120)는 오디오 데이터에 대한 처리를 수행할 수 있다. 구체적으로, 프로세서(120)는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다.

통신 인터페이스(130)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스(130)는 와이파이 모듈(131), 블루투스 모듈(132), 적외선 통신 모듈(133) 및 무선 통신 모듈(134) 등을 포함한다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.

프로세서(120)는 통신 인터페이스(130)를 이용하여 각종 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는 TV와 같인 디스플레이 장치, set-top box와 같은 영상 처리 장치, 외부 서버, 리모컨과 같은 제어 장치, 블루투스 스피커와 같은 음향 출력 장치, 조명 장치, 스마트 청소기, 스마트 냉장고와 같은 가전 기기, IOT 홈 매니저 등과 같은 서버 등을 포함할 수 있다.

와이파이 모듈(131), 블루투스 모듈(132)은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈(131)이나 블루투스 모듈(132)을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.

적외선 통신 모듈(133)은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.

무선 통신 모듈(134)은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.

그 밖에 통신 인터페이스(130)는LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수 있다.

일 예에 따라 통신 인터페이스(130)는 리모컨과 같은 외부 장치 및 외부 서버와 통신하기 위해 동일한 통신 모듈(예를 들어, Wi-Fi 모듈)을 이용할 수 있다.

다른 예에 따라 통신 인터페이스(130)는 리모컨과 같은 외부 장치 및 외부 서버와 통신하기 위해 상이한 통신 모듈(예를 들어, Wi-Fi 모듈)을 이용할 수 있다. 예를 들어, 통신 인터페이스(130)는 외부 서버와 통신하기 위해 이더넷 모듈 또는 WiFi 모듈 중 적어도 하나를 이용할 수 있고, 리모컨과 같은 외부 장치와 통신하기 위해 BT 모듈을 이용할 수도 있다. 다만 이는 일 실시 예에 불과하며 통신 인터페이스(130)는 복수의 외부 장치 또는 외부 서버와 통신하는 경우 다양한 통신 모듈 중 적어도 하나의 통신 모듈을 이용할 수 있다.

한편, 전자 장치(100)는 구현 예에 따라 튜너 및 복조부를 추가적으로 포함할 수 있다.

튜너(미도시)는 안테나를 통해 수신되는 RF(Radio Frequency) 방송 신호 중 사용자에 의해 선택된 채널 또는 기 저장된 모든 채널을 튜닝하여 RF 방송 신호를 수신할 수 있다.

복조부(미도시)는 튜너에서 변환된 디지털 IF 신호(DIF)를 수신하여 복조하고, 채널 복호화 등을 수행할 수도 있다.

디스플레이(140)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(140) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(140)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.

또한, 본 발명의 일 실시 예에 따른, 디스플레이(140)는 영상을 출력하는 디스플레이 패널뿐만 아니라, 디스플레이 패널을 하우징하는 베젤을 포함할 수 있다. 특히, 본 발명의 일 실시 예에 따른, 베젤은 사용자 인터렉션을 감지하기 위한 터치 센서(미도시)를 포함할 수 있다.

사용자 인터페이스(150)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.

입출력 인터페이스(160)는 HDMI(High Definition Multimedia Interface), MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array)포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface) 중 어느 하나의 인터페이스일 수 있다.

입출력 인터페이스(160)는 오디오 및 비디오 신호 중 적어도 하나를 입출력 할 수 있다.

구현 예에 따라, 입출력 인터페이스(160)는 오디오 신호만을 입출력하는 포트와 비디오 신호만을 입출력하는 포트를 별개의 포트로 포함하거나, 오디오 신호 및 비디오 신호를 모두 입출력하는 하나의 포트로 구현될 수 있다.

전자 장치(100)는 디스플레이를 포함하지 않는 장치로 구현되어, 별도의 디스플레이 장치로 영상 신호를 전송할 수 있다.

스피커(170)는 입출력 인터페이스(160)에서 처리된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지 등을 출력하는 구성요소일 수 있다.

마이크(170)는 사용자 음성이나 기타 소리를 입력받아 오디오 데이터로 변환하기 위한 구성이다.

마이크(170)는 활성화 상태에서 사용자의 음성을 수신할 수 있다. 예를 들어, 마이크(170)는 전자 장치(100)의 상측이나 전면 방향, 측면 방향 등에 일체화된 일체형으로 형성될 수 있다. 마이크(170)는 아날로그 형태의 사용자 음성을 수집하는 마이크, 수집된 사용자 음성을 증폭하는 앰프 회로, 증폭된 사용자 음성을 샘플링하여 디지털 신호로 변환하는 A/D 변환회로, 변환된 디지털 신호로부터 노이즈 성분을 제거하는 필터 회로 등과 같은 다양한 구성을 포함할 수 있다.

한편, 전자 장치(100)는 마이크를 포함하는 외부 장치로부터 사용자 음성 신호를 수신할 수 있다. 이 경우, 수신된 사용자 음성 신호는 디지털 음성 신호일 수있으나, 구현 예에 따라 아날로그 음성 신호일 수 있다. 일 예로, 전자 장치(100)는 Bluetooth 또는 Wi-Fi 등의 무선 통신 방법을 통해 사용자 음성 신호를 수신할 수 있다. 여기서, 외부 장치는 원격 제어 장치 또는 스마트폰으로 구현될 수 있다.

전자 장치(100)는 외부 장치로부터 수신된 음성 신호의 음성 인식을 위해, 외부 서버로 해당 음성 신호를 전송할 수 있다.

이 경우, 외부 장치 및 외부 서버와의 통신을 위한 통신 모듈은 하나로 구현되거나, 별개로 구현될 수 있다. 예를 들어, 외부 장치와는 Bluetooth 모듈을 이용하여 통신하고, 외부 서버와는 이더넷 모뎀 또는 Wi-Fi모듈을 이용하여 통신할 수 있다.

한편, 전자 장치(100)는 음성을 수신하여 문장으로 변환할 수 있다. 예를 들어, 전자 장치(100)는 마이크(170)를 통해 수신된 디지털 음성 신호에 직접 STT(Speech To Text) 기능을 적용하여 텍스트 정보로 변환할 수 있다.

또는, 전자 장치(100)는 음성 인식 서버로 수신된 디지털 음성 신호를 전송할 수 있다. 이 경우, 음성 인식 서버는 STT(Speech To Text)를 이용하여 디지털 음성 신호를 텍스트 정보로 변환할 수 있다. 이 경우, 음성 인식 서버는 텍스트 정보에 대응되는 검색을 수행하기 위하여 다른 서버 또는 전자 장치로 텍스트 정보를 전송할 수 있으며, 경우에 따라서는 직접 검색을 수행하는 것도 가능하다.

이상과 같은 방법을 통해 프로세서(120)는 입력되는 문장으로부터 컨텍스트에 부합하는 정보를 제공할 수 있다. 특히, 프로세서(120)는 엔티티 식별 모델을 이용함에 따라 별도의 엔티티 별 사전(dictionary) 정보 없이 엔티티를 식별할 수 있다.

이하에서는 도면을 통해 전자 장치(100)의 동작을 좀더 구체적으로 설명한다.

도 2a 내지 도 2d는 본 개시의 일 실시 예에 따른 전자 장치(100)의 동작을 개략적으로 설명하기 위한 도면들이다.

프로세서(120)는 문장을 입력받을 수 있다. 이러한 문장은 전자 장치(100)에 설치되어 있는 다양한 어플리케이션 중 하나를 통해 입력될 수 있다. 예를 들어, 프로세서(120)는 메신져 어플리케이션을 통해 다른 사람과의 대화 내용을 입력받을 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 채팅 어플리케이션, 웹 페이지를 제공하는 어플리케이션 등 다양한 어플리케이션 중 하나로부터 문장을 입력받을 수도 있다.

프로세서(120)는 사용자에 의해 문장을 입력받을 수 있다. 또는, 프로세서(120)는 통신 인터페이스(130)를 통해 외부 장치로부터 문장을 수신할 수도 있다. 도 2a는 외부 장치로부터 제1 문장을 수신한 후 사용자로부터 제2 문장을 입력받고, 다시 외부 장치로부터 제3 문자 및 제4 문장을 수신한 도면이다.

프로세서(120)는 엔티티 식별 모델에 기초하여 제1 문장에 포함된 "강남"을 복수의 엔티티 중 하나로서 식별할 수 있다. 이때, 프로세서(120)는 "강남"의 속성을 위치 속성으로 식별할 수 있다.

그리고, 프로세서(120)는 제2 문장이 입력되면, 엔티티 식별 모델에 기초하여 복수의 엔티티를 업데이트할 수 있다. 예를 들어, 프로세서(120)는 제2 문장에 포함된 "어디서"를 엔티티로서 식별하고, "어디서"의 속성을 위치 속성으로 식별할 수 있다. 그리고, 프로세서(120)는 제1 문장에서 식별된 엔티티와 제2 문장에서 식별된 엔티티 중 속성이 동일한 "강남", "어디서"만을 복수의 엔티티로 유지할 수 있다.

한편, 프로세서(120)는 "OK"에 기초하여 현재의 컨텍스트를 식별할 수 있다. 즉, 프로세서(120)는 제2 문장이 입력된 후 "OK"에 기초하여 제1 문장에서 식별된 엔티티와 제2 문장에서 식별된 엔티티 중 속성이 동일한 "강남", "어디서"만을 복수의 엔티티로 유지할 수 있다. 만약, 제2 문장에 "No"와 같은 단어가 포함된 경우, 프로세서(120)는 제1 문장에서 식별된 엔티티 전체를 제거할 수도 있다.

프로세서(120)는 제3 문장이 입력되면, 위치 속성에 해당하는 "포이사거리" 및 조직 속성에 해당하는 "A 버거"를 식별할 수 있다. 프로세서(120)는 "포이사거리"가 위치 속성이므로 엔티티로 추가할 수 있다. 그리고, 프로세서(120)는 위치 속성과 연관성이 높은 조직 속성에 해당하는 "A 버거"도 엔티티로 추가할 수 있다.

프로세서(120)는 전자 장치(100)의 사용자로부터 기설정된 시간 동안 입력이 없는 경우, 식별된 엔티티를 이용하여 검색을 수행할 수 있다. 또는, 프로세서(120)는 제1 문장이 입력된 후 제1 문장에서 식별된 엔티티를 이용하여 검색을 수행하고, 제2 문장이 입력된 후 업데이트된 엔티티를 이용하여 검색을 수행하며, 제3 문장이 입력된 후 업데이트된 엔티티를 이용하여 검색을 수행할 수 있다. 그리고, 프로세서(120)는 전자 장치(100)의 사용자로부터 기설정된 시간 동안 입력이 없는 경우, 검색 결과와 관련된 정보를 제공할 수도 있다. 또는, 프로세서(120)는 제4 문장과 같이 확인을 요구하는 문의가 입력되면, 검색을 수행하거나 검색 결과를 제공할 수도 있다.

프로세서(120)는 도 2b에 도시된 바와 같이, 검색 결과를 추출할 수 있다. 도 2b는 복수의 엔티티를 포함하는 웹 페이지의 일 예를 나타낸다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 복수의 웹 페이지를 획득하고, 복수의 웹 페이로부터 복수의 엔티티에 대응되는 공통 정보를 추출할 수도 있다. 또한, 추가 문장이 입력됨에 따라 엔티티가 업데이트되면, 프로세서(120)는 업데이트된 엔티티에 기초하여 복수의 웹 페이지 중 일부를 제거할 수도 있다.

프로세서(120)는 검색 결과로부터 추가 정보를 획득할 수 있다. 예를 들어, 프로세서(120)는 웹 페이지로부터 "강남", "포이사거리", "A 버거"가 검색되면, "강남", "포이사거리" 또는 "A 버거" 중 적어도 하나에 대한 추가 정보를 획득할 수 있다. 가령, 프로세서(120)는 "A 버거"에 대한 추가 정보로서 "A 버거"의 정확한 주소, 지도, 매출액, 브랜드 평판, 최신 뉴스 등을 획득할 수 있다.

여기서, 추가 정보의 획득 대상은 엔티티의 속성에 기초하여 결정될 수 있다. 예를 들어, 프로세서(120)는 "A 버거"와 같이 조직 속성이 "강남", "포이사거리"와 같이 위치 속성보다 중요도가 높은 것으로 판단하고, "A 버거"에 대한 추가 정보를 획득할 수 있다.

또는, 프로세서(120)는 검색 결과로부터 "A 버거"의 위치가 "강남", "포이사거리" 등과 기설정된 거리 이내인 경우에 추가 정보를 획득할 수도 있다.

프로세서(120)는 도 2c에 도시된 바와 같이, "강남", "포이사거리"가 위치이며, "A 버거"가 상호명임을 디스플레이하고, 도 2d에 도시된 바와 같이, "A 버거"에 대한 지도 정보를 디스플레이할 수 있다. 프로세서(120)는 도 2c와 같은 제1 정보 및 도 2d와 같은 제2 정보를 디스플레이할 수 있다. 또는, 프로세서(120)는 제1 정보 또는 제2 정보 중 적어도 하나를 디스플레이할 수도 있다.

또는, 프로세서(120)는 제1 정보만을 디스플레이하고, 사용자의 입력에 따라 제2 정보를 디스플레이할 수도 있다. 예를 들어, 프로세서(120)는 제1 정보를 디스플레이하고, 제1 정보가 디스플레이된 영역을 사용자가 터치하면 제2 정보를 디스플레이할 수도 있다. 여기서, 프로세서(120)는 카테고리가 다른 복수의 제2 정보를 획득하고, 제1 정보와 함께 각 카테고리를 디스플레이할 수도 있다. 예를 들어, 프로세서(120)는 제1 정보와 함께 지도, 최신 뉴스 등과 같은 아이콘을 디스플레이하고, 이중 하나가 선택되면 선택된 아이콘에 대응되는 제2 정보를 제공할 수도 있다.

한편, 도 2a 내지 도 2d에서는 위치 속성, 조직 속성 등으로 프로세서(120)의 동작을 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 프로세서(120)는 시간 속성, 활동 속성, 긍정 속성, 부정 속성, 인물 속성, 취미 속성 등과 같이 얼마든지 다양한 속성으로 엔티티를 식별할 수도 있다.

도 3a 내지 도 3d는 본 개시의 일 실시 예에 따른 오류 정정 방법을 설명하기 위한 도면들이다.

프로세서(120)는 외부 장치로부터 제1 문장 및 제2 문장을 입력받아 "양재", "A 피자"를 엔티티로 식별할 수 있다. 그리고, 프로세서(120)는 사용자로부터 긍정적인 컨텍스트의 제3 문장이 입력됨에 따라 "양재", "A 피자"에 대응되는 검색 결과를 획득할 수 있다.

다만, 프로세서(120)는 "양재", "A 피자"의 위치 속성에 따라 두 지점의 거리 차이가 기설정된 거리 이상임을 식별할 수 있다. 프로세서(120)는 거리 차이가 기설정된 거리 이상이므로, "A 피자"의 위치를 재검색할 수 있고, "A 피자"가 "양재"에 위치하지 않고, "논현"에 위치한다는 검색 결과를 획득할 수 있다. 프로세서(120)는 도 3b에 도시된 바와 같이, "A 피자"가 "논현"에 위치하는지를 확인하기 위한 안내 메시지를 디스플레이할 수 있다.

또는, 프로세서(120))는 "A 피자"가 "양재"에 위치하지 않으나, 정확한 위치 정보가 검색되지 않는 경우, "양재"에는 "A 피자"가 없다는 안내 메시지를 디스플레이할 수도 있다.

프로세서(120)는 도 3b의 안내 메시지에서 사용자가 Yes 아이콘을 터치하면, 도 3c에 도시된 바와 같이, "논현"에 위치하는 "A 피자"에 대한 지도, 연락처, 영업 시간 등과 같이 "A 피자"에 대한 부가 정보를 제공할 수 있다.

이러한 동작을 통해, 사용자는 도 3d에 도시된 바와 같이, 상대방에게 "A 피자"가 "논현"에 위치한다는 정보를 제공할 수 있다. 또한, 프로세서(120)는 기 수신된 제2 문장에서 "양재"를 "논현"으로 수정할 수 있다.

도 4a 및 도 4b는 본 개시의 다른 실시 예에 따른 오류 정정 방법을 설명하기 위한 도면들이다.

프로세서(120)는 문장 별로 엔티티를 식별하고, 식별된 엔티티에 대응되는 검색 결과에 기초하여 오류 여부를 식별할 수도 있다. 예를 들어, 프로세서(120)는 도 4a에 도시된 바와 같이, 제1 문장 및 제2 문장을 입력받고, 제2 문장에서 "오르세 박물관" 및 "모나리자"를 엔티티로서 식별할 수 있다.

프로세서(120)는 "오르세 박물관" 및 "모나리자"를 이용하여 검색을 수행하고, 검색 결과 "모나리자"는 "루브르 박물관"에 있다는 안내 메시지를 디스플레이할 수 있다. 또는, 프로세서(120)는 "오르세 박물관"에는 "모나리자"가 없음을 안내하는 메시지를 디스플레이할 수도 있다.

도 4a에서는 사용자가 입력한 문장이 전송된 후에 안내 메시지를 디스플레이하는 것으로 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 프로세서(120)는 도 4b에 도시된 바와 같이, 사용자가 문장을 입력하는 중에도 엔티티를 실시간으로 식별하고, 식별된 엔티티를 이용하여 검색을 수행할 수 있다. 프로세서(120)는 사용자가 입력한 문장이 전송되기 전이라도 검색 결과에 따라 "모나리자"는 "루브르 박물관"에 있다는 안내 메시지를 디스플레이할 수도 있다.

도 5는 본 개시의 일 실시 예에 따른 컨텍스트를 이용하는 방법을 설명하기 위한 도면이다.

프로세서(120)는 제1 문장(510)이 입력되면, "성수동", "A 피자"가 엔티티로서 식별될 수 있다.

프로세서(120)는 제2 문장(520)이 입력되면, 제2 문장(520)이 긍정적인 표현이고, "피자"가 제1 문장 및 제2 문장에 공통으로 포함되어 있으므로, "성수동"보다 "A 피자"에 상대적으로 높은 중요도를 부여할 수 있다.

프로세서(120)는 제3 문장(530)이 입력되면, "양재동"을 새로운 엔티티로 추가할 수 있다. 그리고, 프로세서(120)는 "성수동"에 대한 부정적인 표현으로 인해 "성수동"의 중요도를 "양재동"보다 낮출 수 있다.

프로세서(120)는 제4 문장(540)이 입력되면, "B 피자"를 새로운 엔티티로 추가할 수 있다.

프로세서(120)는 제5 문장(550)이 입력되면, 제5 문장(550)이 긍정적인 표현이므로 "A 피자"보다 "B 피자"에 상대적으로 높은 중요도를 부여할 수 있다.

프로세서(120)는 위치 속성 중 중요도가 가장 높은 "양재동" 및 조직 속성 중 중요도가 가장 높은 "B 피자"를 이용하여 검색을 수행할 수 있다. 다만, 이에 한정되는 것은 아니며, 프로세서(120)는 "양재동" 및 "B 피자" 뿐만 아니라 중요도가 상대적으로 낮은 "성수동" 및 "A 피자"를 더 이용하여 검색을 수행할 수도 있다. 이 경우, 프로세서(120)는 각 엔티티의 중요도를 고려하여 검색 결과와 관련된 정보를 추출할 수도 있다.

도 6은 본 개시의 다른 실시 예에 따른 컨텍스트를 이용하는 방법을 설명하기 위한 도면이다.

프로세서(120)는 입력되는 문장에 포함된 복수의 엔티티를 식별할 수 있다. 그리고, 프로세서(120)는 부정적인 표현의 문장이 입력되면, 부정적인 표현과는 반대되는 의미를 갖는 단어에 기초하여 검색을 수행할 수도 있다.

예를 들어, 프로세서(120)는 도 6에 도시된 바와 같이, "A 스테이크"를 엔티티로서 식별한 후, 분위기가 좋지 않다는 부정적인 표현의 문장을 입력받을 수 있다. 이 경우, 프로세서(120)는 분위기가 좋은 스테이크 가게를 검색하고, 검색 결과를 팝업창(610)으로 제공할 수도 있다.

도 7은 본 개시의 일 실시 예에 따른 타 전자 장치(700)의 구성을 나타내는 블록도이다. 여기서, 타 전자 장치(700)는 인공지능 알고리즘을 통해 엔티티 식별 모델을 획득하는 장치일 수 있다.

도 7을 참조하면, 타 전자 장치(700)는 학습부(710) 및 응답부(720) 중 적어도 하나를 포함할 수 있다.

학습부(710)는 학습 데이터를 이용하여 엔티티를 식별하기 위한 인공지능 모델을 생성 또는 학습시킬 수 있다. 학습부(710)는 수집된 학습 데이터를 이용하여 판단 기준을 갖는 판단 모델을 생성할 수 있다.

응답부(720)는 소정의 데이터를 학습된 인공지능 모델의 입력 데이터로 사용하여, 소정의 대화에 포함된 엔티티를 획득할 수 있다.

본 개시의 일 실시 예로, 학습부(710) 및 응답부(720)는 타 전자 장치(700)에 포함될 수 있으나, 이는 일 실시 예에 불과할 뿐, 전자 장치(100) 내부에 탑재될 수 있다. 구체적으로, 학습부(710)의 적어도 일부 및 응답부(720)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100)에 탑재될 수 있다. 예를 들어, 학습부(710) 및 응답부(720) 중 적어도 하나는 인공 지능(artificial intelligence, AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(710) 및 응답부(720)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

이 경우, 학습부(710) 및 응답부(720)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(710) 및 응답부(720) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 타 전자 장치(700)에 포함될 수 있다. 또한, 학습부(710) 및 응답부(720)는 유선 또는 무선으로 통하여, 학습부(710)가 구축한 모델 정보를 응답부(720)로 제공할 수도 있고, 학습부(720)로 입력된 데이터가 추가 학습 데이터로서 학습부(710)로 제공될 수도 있다.

도 8은 본 개시의 일 실시 예에 따른 학습부(710)를 나타내는 블록도이다.

도 8을 참조하면, 일부 실시 예에 따른 학습부(710)는 학습 데이터 획득부(710-1) 및 모델 학습부(710-4)를 포함할 수 있다. 또한, 학습부(710)는 학습 데이터 전처리부(710-2), 학습 데이터 선택부(710-3) 및 모델 평가부(710-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

학습 데이터 획득부(710-1)는 엔티티 식별을 위한 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시 예로, 학습 데이터 획득부(710-1)는 복수의 샘플 대화 및 복수의 샘플 대화에 포함된 복수의 엔티티를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(710) 또는 학습부(710)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.

모델 학습부(710-4)는 학습 데이터를 이용하여, 인공지능 모델이 문장으로부터 엔티티를 식별하는 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(710-4)는 학습 데이터 중 적어도 일부를 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(710-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 엔티티를 식별하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(710-4)는, 예를 들어, 학습에 따른 응답 제공의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(710-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다

또한, 모델 학습부(710-4)는 입력 데이터를 이용하여 엔티티 식별을 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 선별 기준을 학습할 수도 있다.

모델 학습부(710-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다.

인공지능 모델이 학습되면, 모델 학습부(710-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(710-4)는 학습된 인공지능 모델을 타 전자 장치(700)의 메모리에 저장할 수 있다. 또는, 모델 학습부(710-4)는 학습된 인공지능 모델을 타 전자 장치(700)와 유선 또는 무선 네트워크로 연결되는 서버 또는 전자 장치의 메모리에 저장할 수도 있다.

학습부(710)는 인공지능 모델의 응답 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(710-2) 및 학습 데이터 선택부(710-3)를 더 포함할 수도 있다.

학습 데이터 전처리부(710-2)는 대화로부터 엔티티를 식별하는 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 즉, 학습 데이터 전처리부(710-2)는 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 학습 데이터 전처리부(710-2)는 샘플 대화를 복수의 구간으로 구분할 수 있다.

학습 데이터 선택부(710-3)는 학습 데이터 획득부(710-1)에서 획득된 데이터 또는 학습 데이터 전처리부(710-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(710-4)에 제공될 수 있다. 학습 데이터 선택부(710-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(710-3)는 모델 학습부(710-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.

학습부(710)는 인공지능 모델의 응답 결과를 향상시키기 위하여, 모델 평가부(710-5)를 더 포함할 수도 있다.

모델 평가부(710-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 응답 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(710-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.

한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(710-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(710-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.

도 9는 본 개시의 일 실시 예에 따른 응답부(720)를 나타내는 블록도이다.

도 9를 참조하면, 일부 실시 예에 따른 응답부(720)는 입력 데이터 획득부(720-1) 및 응답 결과 제공부(720-4)를 포함할 수 있다.

또한, 응답부(720)는 입력 데이터 전처리부(720-2), 입력 데이터 선택부(720-3) 및 모델 갱신부(720-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

입력 데이터 획득부(720-1)는 엔티티를 식별하기 위해 필요한 데이터를 획득할 수 있다. 응답 결과 제공부(720-4)는 입력 데이터 획득부(720-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 모델에 적용하여 대화로부터 엔티티를 식별할 수 있다. 응답 결과 제공부(720-4)는 후술할 입력 데이터 전처리부(720-2) 또는 입력 데이터 선택부(720-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 응답 결과를 획득할 수 있다. 응답 결과는 인공지능 모델에 의해 결정될 수 있다.

일 실시 예로, 응답 결과 제공부(720-4)는 입력 데이터 획득부(720-1)에서 획득한 엔티티를 식별하는 인공지능 모델을 적용하여 대화로부터 엔티티를 식별할 수 있다.

응답부(720)는 인공지능 모델의 응답 결과를 향상시키거나, 응답 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(720-2) 및 입력 데이터 선택부(720-3)를 더 포함할 수도 있다.

입력 데이터 전처리부(720-2)는 엔티티를 식별하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 즉, 입력 데이터 전처리부(720-2)는 응답 결과 제공부(720-4)가 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.

입력 데이터 선택부(720-3)는 입력 데이터 획득부(720-1)에서 획득된 데이터 또는 입력 데이터 전처리부(720-2)에서 전처리된 데이터 중에서 응답 제공에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 응답 결과 제공부(720-4)에게 제공될 수 있다. 입력 데이터 선택부(720-3)는 응답 제공을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(720-3)는 모델 학습부(710-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.

모델 갱신부(720-5)는 응답 결과 제공부(720-4)에 의해 제공되는 응답 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(720-5)는 응답 결과 제공부(720-4)에 의해 제공되는 응답 결과를 모델 학습부(710-4)에게 제공함으로써, 모델 학습부(710-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.

도 10은 본 개시의 일 실시 예에 따른 전자 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.

도 10을 참조하면, 외부의 서버(S)는 대화로부터 엔티티를 식별하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 대화로부터 엔티티를 식별할 수 있다.

이 경우, 서버(S)의 모델 학습부(710-4)는 도 8에 도시된 학습부(710)의 기능을 수행할 수 있다. 즉, 서버(S)의 모델 학습부(710-4)는 엔티티를 식별하기 위하여 어떤 대화를 이용할지, 이상의 정보를 이용하여 엔티티를 어떻게 식별할지에 관한 기준을 학습할 수 있다.

또한, 전자 장치(100)의 응답 결과 제공부(720-4)는 입력 데이터 선택부(720-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 모델에 적용하여 대화로부터 엔티티를 식별할 수 있다. 또는, 전자 장치(100)의 응답 결과 제공부(720-4)는 서버(S)에 의해 생성된 인공지능 모델을 서버(S)로부터 수신하고, 수신된 인공지능 모델을 이용하여 대화로부터 엔티티를 식별할 수 있다.

도 11은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

먼저, 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득된 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별한다(S1110). 그리고, 복수의 엔티티에 대응되는 검색 결과를 획득한다(S1120). 그리고, 복수의 엔티티와 검색 결과가 대응되지 않는 경우, 검색 결과에 기초하여 입력된 문장을 정정(correction)하여 제공한다(S1130).

여기서, 제공하는 단계(S1130)는 복수의 엔티티 각각의 속성을 식별하며, 식별된 복수의 속성 중 적어도 하나에 기초하여 복수의 엔티티가 검색 결과에 대응되는지 식별할 수 있다.

또한, 제공하는 단계(S1130)는 복수의 엔티티와 검색 결과가 대응되지 않는 경우, 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공하는 단계를 더 포함할 수 있다.

그리고, 획득하는 단계(S1120)는 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득할 수 있다.

한편, 제공하는 단계(S1130)는 입력되는 문장의 컨텍스트에 기초하여 복수의 엔티티 각각에 대한 중요도를 획득하는 단계 및 복수의 엔티티 중 중요도가 가장 큰 엔티티에 기초하여 나머지 엔티티가 검색 결과에 대응되는지 식별하는 단계를 포함할 수 있다.

그리고, 식별하는 단계(S1110)는 입력되는 문장에 포함된 복수의 단어를 식별하고, 입력되는 문장의 컨텍스트에 기초하여 복수의 단어 중 복수의 엔티티를 식별할 수 있다.

여기서, 식별하는 단계(S1110)는 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 복수의 단어 중 제1 문장에서 식별된 제1 단어를 복수의 엔티티 중 하나로 식별할 수 있다.

또는, 식별하는 단계(S1110)는 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 복수의 단어 중 제1 문장에서 식별된 제1 단어를 복수의 엔티티로서 이용하지 않을 수 있다.

한편, 제공하는 단계(S1130)는 입력되는 문장에 오류가 있는 경우에 입력된 문장을 정정하여 검색 결과와 관련된 정보를 제공할 수 있다.

그리고, 사용자 명령이 입력되면, 검색 결과의 획득에 이용된 복수의 엔티티를 제공하는 단계를 더 포함할 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.

또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 및 디스플레이 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.

한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

100 : 전자 장치 110 : 메모리
120 : 프로세서 130 : 통신 인터페이스
140 : 디스플레이 150 : 사용자 인터페이스
160 : 입출력 인터페이스 170 : 스피커
180 : 마이크

Claims

엔티티 식별 모델이 저장된 메모리; 및
상기 엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별하고,
상기 복수의 엔티티에 대응되는 검색 결과를 획득하며,
상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 검색 결과에 기초하여 상기 입력된 문장을 정정(correction)하여 제공하는 프로세서;를 포함하며,
상기 엔티티 식별 모델은, 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득된, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 복수의 엔티티 각각의 속성을 식별하며,
상기 식별된 복수의 속성 중 적어도 하나에 기초하여 상기 복수의 엔티티가 상기 검색 결과에 대응되는지 식별하는, 전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공하는, 전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 엔티티 각각에 대한 중요도를 획득하고,
상기 복수의 엔티티 중 중요도가 가장 큰 엔티티에 기초하여 나머지 엔티티가 상기 검색 결과에 대응되는지 식별하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 입력되는 문장에 포함된 복수의 단어를 식별하고,
상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 단어 중 상기 복수의 엔티티를 식별하는, 전자 장치.
제6항에 있어서,
상기 프로세서는,
상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티 중 하나로 식별하는, 전자 장치.
제6항에 있어서,
상기 프로세서는,
상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티로서 이용하지 않는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 입력되는 문장에 오류가 있는 경우에 상기 입력된 문장을 정정하여 제공하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
사용자 명령이 입력되면, 상기 검색 결과의 획득에 이용된 상기 복수의 엔티티를 제공하는, 전자 장치.
전자 장치의 제어 방법에 있어서,
엔티티 식별 모델에 기초하여 입력되는 문장에 포함된 복수의 엔티티를 식별하는 단계;
상기 복수의 엔티티에 대응되는 검색 결과를 획득하는 단계; 및
상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 검색 결과에 기초하여 상기 입력된 문장을 정정(correction)하여 제공하는 단계;를 포함하며,
상기 엔티티 식별 모델은, 복수의 샘플 대화 각각에 포함된 복수의 샘플 엔티티를 추출하도록 인공지능 알고리즘을 통해 학습하여 획득된, 제어 방법.
제11항에 있어서,
상기 제공하는 단계는,
상기 복수의 엔티티 각각의 속성을 식별하며, 상기 식별된 복수의 속성 중 적어도 하나에 기초하여 상기 복수의 엔티티가 상기 검색 결과에 대응되는지 식별하는, 제어 방법.
제12항에 있어서,
상기 제공하는 단계는,
상기 복수의 엔티티와 상기 검색 결과가 대응되지 않는 경우, 상기 복수의 엔티티에 오류가 있음을 안내하는 안내 메시지를 제공하는 단계;를 더 포함하는, 제어 방법.
제12항에 있어서,
상기 획득하는 단계는,
상기 속성이 서로 다른 적어도 두 개의 엔티티에 대응되는 검색 결과를 획득하는, 제어 방법.
제11항에 있어서,
상기 제공하는 단계는,
상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 엔티티 각각에 대한 중요도를 획득하는 단계; 및
상기 복수의 엔티티 중 중요도가 가장 큰 엔티티에 기초하여 나머지 엔티티가 상기 검색 결과에 대응되는지 식별하는 단계;를 포함하는, 제어 방법.
제11항에 있어서,
상기 식별하는 단계는,
상기 입력되는 문장에 포함된 복수의 단어를 식별하고,
상기 입력되는 문장의 컨텍스트에 기초하여 상기 복수의 단어 중 상기 복수의 엔티티를 식별하는, 제어 방법.
제16항에 있어서,
상기 식별하는 단계는,
상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 긍정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티 중 하나로 식별하는, 제어 방법.
제16항에 있어서,
상기 식별하는 단계는,
상기 입력되는 문장 중 제1 문장 다음의 제2 문장이 부정문인 경우, 상기 복수의 단어 중 상기 제1 문장에서 식별된 제1 단어를 상기 복수의 엔티티로서 이용하지 않는, 제어 방법.
제11항에 있어서,
상기 제공하는 단계는,
상기 입력되는 문장에 오류가 있는 경우에 상기 입력된 문장을 정정하여 제공하는, 제어 방법.
제11항에 있어서,
사용자 명령이 입력되면, 상기 검색 결과의 획득에 이용된 상기 복수의 엔티티를 제공하는 단계;를 더 포함하는, 제어 방법.