| 1 |
1
원문에 대한 번역을 각각 수행하고, 원문의 특성을 벡터화한 원문 특성 벡터 정보를 제공하는 복수의 번역모델; 번역문에 대한 사용자의 피드백 평가 정보를 누적한 평가 파라미터 정보와 상기 원문 특성 벡터 정보를 이용하여 각 번역모델에 대한 번역문 선택 기대값을 각각 산출하는 복수의 콘텍스트 밴딧 처리부; 및 상기 산출된 번역문 선택 기대값에 따라, 상기 복수의 번역모델을 통해 번역된 번역문을 선택적으로 제공하는 번역문 제공부;를 포함하는 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 2 |
2
제 1항에 있어서, 상기 번역문에 대한 사용자의 피드백 평가 정보가 입력되면, 상기 입력된 사용자의 피드백 평가 정보를 해당 번역문에 대한 평가 파라미터 정보에 누적하는 사용자 평가 반영부;를 더 포함하는 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 3 |
3
제 1항에 있어서, 상기 번역모델은, sequence-to-sequence 형태의 신경망 모델을 이용하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 4 |
4
제 1항에 있어서, 상기 번역모델은, 원문을 벡터화한 원문 벡터 정보를 제공하고, 상기 콘텍스트 밴딧 처리부는, 상기 원문 벡터 정보를 더 포함하여 각 번역모델에 대한 번역문 선택 기대값을 각각 산출하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 5 |
5
제 1항에 있어서, 상기 번역문 제공부는, 콘텍스트 밴딧 알고리즘이 선택해주는 번역문을 제공하거나, 상기 번역문 선택 기대값이 가장 높은 상기 번역모델의 번역문을 사용자에게 제공하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 6 |
6
제 2항에 있어서, 상기 번역문 제공부는 상기 선택된 복수의 번역문을 제공하고, 상기 사용자 평가 반영부는, 사용자가 선택한 번역문을 번역한 번역모델에 대응되는 평가 파라미터 정보만 사용자의 피드백 평가 정보를 누적하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 7 |
7
제 6항에 있어서, 상기 사용자 평가 반영부는, 각각의 번역문에 대한 사용자의 피드백 평가 정보를 각각 입력받아 대응되는 각각의 평가 파라미터 정보를 각각 누적하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 8 |
8
제 7항에 있어서, 상기 콘텍스트 밴딧 처리부는, 학습에 사용되지 않은 원문-번역문 쌍을 이용하여 평가 파라미터 정보를 사전 학습(pre-training)하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 9 |
9
제 1항에 있어서, 사용자 인터페이스부를 통해 사용자로부터 입력되는 사용자의 신상 정보를 사용자 신상 벡터 정보로 벡터화하고, 벡터화된 사용자의 신상 벡터 정보를 상기 콘텍스트 밴딧 처리부에 제공하는 신상 정보 처리부;를 더 포함하고, 상기 콘텍스트 밴딧 처리부는, 사용자의 신상 정보를 벡터로 나타낸 사용자 신상 벡터 정보를 더 포함하여 번역문 선택 기대값을 산출하는 것인 사용자 적응형 자동번역 모델 선택 강화 장치
|
| 10 |
10
복수의 번역모델에 의해, 원문에 대한 번역을 각각 수행하고, 원문의 특성을 벡터화한 원문 특성 벡터 정보를 각각 제공하는 단계; 복수의 콘텍스트 밴딧 처리부에 의해, 번역문에 대한 사용자의 피드백 평가 정보를 누적한 평가 파라미터 정보와 상기 원문 특성 벡터 정보를 이용하여 각 번역모델에 대한 번역문 선택 기대값을 각각 산출하는 단계; 및 번역문 제공부에 의해, 상기 산출된 번역문 선택 기대값에 따라 상기 복수의 번역모델을 통해 번역된 번역문을 선택적으로 제공하는 단계;를 포함하는 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 11 |
11
사용자 평가 반영부에 의해, 상기 번역문에 대한 사용자의 피드백 평가 정보가 입력되면, 상기 입력된 사용자의 피드백 평가 정보를 상기 평가 파라미터 정보에 누적하는 단계;를 더 포함하는 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 12 |
12
제 10항에 있어서, 상기 원문의 특성을 벡터화한 원문 특성 벡터 정보를 제공하는 단계는, sequence-to-sequence 형태의 신경망 모델을 이용하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 13 |
13
제 10항에 있어서, 상기 원문의 특성을 벡터화한 원문 특성 벡터 정보를 제공하는 단계는, 원문을 벡터화한 원문 벡터 정보를 제공하고, 번역문 선택 기대값을 각각 산출하는 단계는, 상기 원문 벡터 정보를 더 포함하여 각 번역모델에 대한 번역문 선택 기대값을 각각 산출하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 14 |
14
제 10항에 있어서, 상기 번역문을 선택적으로 제공하는 단계는, 콘텍스트 밴딧 알고리즘이 선택해주는 번역문을 제공하거나, 상기 번역문 선택 기대값이 가장 높은 상기 번역모델의 번역문을 사용자에게 제공하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 15 |
15
제 11항에 있어서, 상기 번역문을 선택적으로 제공하는 단계는, 상기 선택된 복수의 번역문을 제공하고, 상기 평가 파라미터 정보에 누적하는 단계는, 사용자가 선택한 번역문을 번역한 번역모델의 평가 파라미터 정보에만 사용자의 피드백 평가 정보를 누적하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 16 |
16
제 15항에 있어서, 상기 평가 파라미터 정보에 누적하는 단계는, 각각의 번역문에 대하여 사용자의 피드백 평가 정보를 각각 입력받아 각각의 평가 파라미터 정보를 각각 누적하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 17 |
17
제 10항에 있어서, 상기 번역문 선택 기대값을 각각 산출하는 단계는, 학습에 사용되지 않은 원문-번역문 쌍을 이용하여 평가 파라미터 정보를 사전 학습(pre-training)하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
| 18 |
18
제 10항에 있어서, 상기 번역문 선택 기대값을 각각 산출하는 단계는, 사용자의 신상 정보를 벡터로 나타낸 사용자 신상 벡터 정보를 더 포함하여 번역문 선택 기대값을 산출하는 것인 사용자 적응형 자동번역 모델 선택 강화 방법
|
