| 1 |
1
서버에 의해 수행되는 다중작업 학습을 이용한 텍스트 분류 방법에 있어서,(a) 네트워크를 통해 수집된 원시 데이터에 전처리 프로세스를 수행하여 텍스트 분류 학습 데이터를 생성하는 단계;(b) 상기 텍스트 분류 학습 데이터를 입력으로 제1 텍스트 분류 모델을 통해 기설정된 제1 분류체계로 카테고리 분류를 학습시키는 단계; (c) 상기 텍스트 분류 학습 데이터를 입력으로 제2 텍스트 분류 모델을 통해 기설정된 제2 분류체계로 카테고리 분류를 학습시키는 단계; 및(d) 사용자 단말로부터 수신된 텍스트 데이터를 상기 제2 텍스트 분류 모델에 입력하여 상기 제2 분류체계로 카테고리를 분류하는 단계;를 포함하고,상기 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델은 인공신경망 기반 다중작업 학습 프레임워크를 통해 공유층(Shared layer)으로부터 생성된 카테고리 분류에 사용되는 특질을 공유해서 학습되는 것이고,상기 제1 분류체계 및 제2 분류체계는 오픈 디렉토리 프로젝트(ODP, Open Directory Project)에 기초한 카테고리 데이터를 이용하여 생성된 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 2 |
2
제 1 항에 있어서,상기 전처리 프로세스는 표현하고 싶은 텍스트의 인덱스에 1의 값을 부여하고 나머지 텍스트의 인덱스에는 0을 부여하는 원-핫 인코딩(one-hot encoding)을 사용하여 텍스트에 대한 표현을 생성하는 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 3 |
3
제 1 항에 있어서,상기 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델은 합성곱신경망(CNN, Convolutional Neural Network)을 통해 학습된 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 4 |
4
제 1 항에 있어서,상기 제2 텍스트 분류 모델은 게이트 메커니즘을 사용하여 상기 제1 텍스트 분류 모델에서 생성된 카테고리 분류에 사용되는 특질을 공유하는 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 5 |
5
제 4 항에 있어서,상기 게이트 메커니즘은 학습해야할 가중치, 편차 및 시그모이드 활성화 함수를 이용하여 상기 제1 텍스트 분류 모델에서 생성된 카테고리 분류에 사용되는 특질을 상기 제2 텍스트 분류 모델에 공유하는 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 6 |
6
제 1 항에 있어서,상기(b)단계 및 상기 (c)단계는 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델을 통해 예측된 카테고리 분류 분포와 실제 카테고리 분류 분포 사이의 크로스 엔트로피를 통해 손실을 구하고, 손실을 최소화 하도록 카테고리 분류를 학습하는 단계를 더 포함하는 것인,다중작업 학습을 이용한 텍스트 분류 방법
|
| 7 |
7
제 1 항에 있어서,상기 제2 분류체계는 기설정된 규모 이상의 분류 작업을 위한 카테고리로 구성되고, 상기 제1 분류체계는 상기 제2 분류체계의 최상위 단계의 카테고리만을 사용하여 구성된 것인, 다중작업 학습을 이용한 텍스트 분류 방법
|
| 8 |
8
다중작업 학습을 이용한 텍스트 분류 서버에 있어서,다중작업 학습을 이용한 텍스트 분류 프로그램이 저장된 메모리;상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며, 상기 프로세서는 상기 프로그램의 실행에 의해, 네트워크를 통해 수집된 원시 데이터에 전처리 프로세스를 수행하여 텍스트 분류 학습 데이터를 생성하고, 상기 텍스트 분류 학습 데이터를 입력으로 제1 텍스트 분류 모델을 통해 기설정된 제1 분류체계로 카테고리 분류를 학습시키고, 상기 텍스트 분류 학습 데이터를 입력으로 제2 텍스트 분류 모델을 통해 기설정된 제2 분류체계로 카테고리 분류를 학습시키고, 사용자 단말로부터 수신된 텍스트 데이터를 상기 제2 텍스트 분류 모델에 입력하여 상기 제2 분류체계로 카테고리를 분류하고,상기 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델은 인공신경망 기반 다중작업 학습 프레임워크를 통해 공유층(Shared layer)으로부터 생성된 카테고리 분류에 사용되는 특질을 공유해서 학습되는 것이고,상기 제1 분류체계 및 제2 분류체계는 오픈 디렉토리 프로젝트(ODP, Open Directory Project)에 기초한 카테고리 데이터를 이용하여 생성된 것인다중작업 학습을 이용한 텍스트 분류 서버
|
| 9 |
9
제 8 항에 있어서,상기 전처리 프로세스는 표현하고 싶은 텍스트의 인덱스에 1의 값을 부여하고 나머지 텍스트의 인덱스에는 0을 부여하는 원-핫 인코딩(one-hot encoding)을 사용하여 텍스트에 대한 표현을 생성하는 것인,다중작업 학습을 이용한 텍스트 분류 서버
|
| 10 |
10
제 8 항에 있어서,상기 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델은 합성곱신경망(CNN, Convolutional Neural Network)을 통해 학습된 것인,다중작업 학습을 이용한 텍스트 분류 서버
|
| 11 |
11
제 8 항에 있어서,상기 제2 텍스트 분류 모델은 게이트 메커니즘을 사용하여 상기 제1 텍스트 분류 모델에서 생성된 카테고리 분류에 사용되는 특질을 공유하는 것인,다중작업 학습을 이용한 텍스트 분류 서버
|
| 12 |
12
제 11 항에 있어서,상기 게이트 메커니즘은 학습해야할 가중치, 편차 및 시그모이드 활성화 함수를 이용하여 상기 제1 텍스트 분류 모델에서 생성된 카테고리 분류에 사용되는 특질을 상기 제2 텍스트 분류 모델에 공유하는 것인,다중작업 학습을 이용한 텍스트 분류 서버
|
| 13 |
13
제 8 항에 있어서,상기 프로세서는 제1 텍스트 분류 모델 및 제2 텍스트 분류 모델을 통해 예측된 카테고리 분류 분포와 실제 카테고리 분류 분포 사이의 크로스 엔트로피를 통해 손실을 구하고, 손실을 최소화 하도록 카테고리 분류를 학습하는 것인,다중작업 학습을 이용한 텍스트 분류 서버
|
| 14 |
14
제 8 항에 있어서,상기 제2 분류체계는 기설정된 규모 이상의 분류 작업을 위한 카테고리로 구성되고, 상기 제1 분류체계는 상기 제2 분류체계의 최상위 단계의 카테고리만을 사용하여 구성된 것인, 다중작업 학습을 이용한 텍스트 분류 서버
|
| 15 |
15
제 1 항에 따르는 다중작업 학습을 이용한 텍스트 분류 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체
|
