| 1 |
1
지식 보완 장치의 다중타입 엔티티에 기반한 지식 보완 방법에 있어서, 지식 그래프에 포함된 2개의 엔티티를 연결하는 복수의 경로 각각에 대하여, 개별 경로에 포함된 복수의 엔티티에 관한 정보인 엔티티정보와 상기 복수의 엔티티 중 2개의 관계에 관한 정보인 관계정보를 추출하는 단계;상기 엔티티정보, 상기 관계정보, 상기 복수의 엔티티 각각에 대응되는 적어도 하나의 엔티티타입에 관한 정보인 타입정보 및 소정의 임베딩 크기에 기초하여, 상기 복수의 경로 각각에 대응되는 경로벡터를 생성하는 단계;CNN(Convolutional Neural Network)과 Bi-LSTM(Bidirectional Long A Short-Term Memory)을 이용하여, 상기 경로벡터로부터 인코딩된 경로벡터를 산출하는 단계; 및상기 복수의 경로 및 상기 복수의 인코딩된 경로벡터를 이용하여 상기 2개의 엔티티 간의 관계를 예측하도록 학습된 관계모델을 이용하여, 상기 2개의 엔티티 간에 소정의 목표 관계가 유효한지 판단하는 단계를 포함하고, 상기 복수의 경로 각각에 대응되는 경로벡터를 생성하는 단계는상기 엔티티정보에 포함된 복수의 엔티티 각각에 대하여, 소정의 딥러닝 기법을 적용하여, 상기 타입정보에 포함된 적어도 하나의 엔티티타입에 대응되는 행과 상기 임베딩 크기에 대응되는 열을 갖는 제1 엔티티벡터를 학습시키는 단계;상기 제1 엔티티벡터를 구성하는 각각의 열을 기준으로 모든 행의 값을 합하여 단일 행의 벡터를 생성한 후, 상기 복수의 엔티티 각각에 대한 상기 단일 행의 벡터를 결합하여 제2 엔티티벡터를 생성하는 단계; 상기 관계정보에 포함된 관계에 대응되는 행과 상기 임베딩 크기에 대응되는 열을 갖는 관계벡터를 생성하는 단계; 및상기 제2 엔티티벡터와 상기 관계벡터를 조합하여, 상기 경로벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서, 상기 제2 엔티티벡터와 상기 관계벡터를 조합하여, 상기 경로벡터를 생성하는 단계는개별 경로를 구성하는 엔티티와 관계의 순서에 따라서, 상기 제2 엔티티벡터와 상기 관계벡터의 행을 조합하여 생성하는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 방법
|
| 4 |
4
제1항에 있어서, 상기 타입정보는상기 복수의 엔티티 각각에 대응되는 적어도 하나의 엔티티타입에 관한 정보를 저장하는 데이터베이스에 저장되는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 방법
|
| 5 |
5
제1항에 있어서 상기 인코딩된 경로벡터를 산출하는 단계와 상기 소정의 목표 관계가 유효한지 판단하는 단계의 사이에,Attention 모델에 기초하여, 상기 복수의 경로 각각에 대응되는 상기 인코딩된 경로벡터에 상이한 가중치를 부여하는 단계를 더 포함하고,상기 관계모델은상기 상이한 가중치를 더 이용하여 학습되는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 방법
|
| 6 |
6
지식 그래프에 포함된 2개의 엔티티를 연결하는 복수의 경로 각각에 대하여, 개별 경로에 포함된 복수의 엔티티에 관한 정보인 엔티티정보와 상기 복수의 엔티티 중 2개의 관계에 관한 정보인 관계정보를 추출하는 데이터추출부;상기 엔티티정보, 상기 관계정보, 상기 복수의 엔티티 각각에 대응되는 적어도 하나의 엔티티타입에 관한 정보인 타입정보 및 소정의 임베딩 크기에 기초하여, 상기 복수의 경로 각각에 대응되는 경로벡터를 생성하는 경로생성부;CNN(Convolutional Neural Network)과 Bi-LSTM(Bidirectional Long A Short-Term Memory)을 이용하여, 상기 경로벡터로부터 인코딩된 경로벡터를 산출하는 학습부; 및상기 복수의 경로 및 상기 복수의 인코딩된 경로벡터를 이용하여 상기 2개의 엔티티 간의 관계를 예측하도록 학습된 관계모델을 이용하여, 상기 2개의 엔티티 간에 소정의 목표 관계가 유효한지 판단하는 판단부를 포함하고, 상기 경로생성부는상기 엔티티정보에 포함된 복수의 엔티티 각각에 대하여, 소정의 딥러닝 기법을 적용하여, 상기 타입정보에 포함된 적어도 하나의 엔티티타입에 대응되는 행과 상기 임베딩 크기에 대응되는 열을 갖는 제1 엔티티벡터를 학습시키고,상기 제1 엔티티벡터를 구성하는 각각의 열을 기준으로 모든 행의 값을 합하여 단일 행의 벡터를 생성한 후, 상기 복수의 엔티티 각각에 대한 상기 단일 행의 벡터를 결합하여 제2 엔티티벡터를 생성하고,상기 관계정보에 포함된 관계에 대응되는 행과 상기 임베딩 크기에 대응되는 열을 갖는 관계벡터를 생성하고,상기 제2 엔티티벡터와 상기 관계벡터를 조합하여, 상기 경로벡터를 생성하는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 장치
|
| 7 |
7
삭제
|
| 8 |
8
제6항에 있어서, 상기 경로생성부가 상기 제2 엔티티벡터와 상기 관계벡터를 조합하여, 상기 경로벡터를 생성할 때,개별 경로를 구성하는 엔티티와 관계의 순서에 따라서, 상기 제2 엔티티벡터와 상기 관계벡터의 행을 조합하여 생성하는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 장치
|
| 9 |
9
제6항에 있어서, 상기 타입정보는상기 복수의 엔티티 각각에 대응되는 적어도 하나의 엔티티타입에 관한 정보를 저장하는 데이터베이스에 저장되는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 장치
|
| 10 |
10
제6항에 있어서, Attention 모델에 기초하여, 상기 복수의 경로 각각에 대응되는 상기 인코딩된 경로벡터에 상이한 가중치를 부여하는 가중치설정부를 더 포함하고,상기 관계모델은상기 상이한 가중치를 더 이용하여 학습되는 것을 특징으로 하는 다중타입 엔티티에 기반한 지식 보완 장치
|
