| 1 |
1
전자 장치에서 정서적 응답을 생성하는 방법에 있어서,딥러닝 기반의 감정 추출 모델을 이용하여, 입력 문장의 감정을 나타내는 감정 벡터를 추출하는 동작; 조건부 변분 오토인코더에 기반한 랜덤 샘플링을 통해 상기 입력 문장의 문맥 정보를 갖는 생각 벡터를 획득하는 동작; 및상기 생각 벡터와 상기 감정 벡터를 기반으로 상기 입력 문장에 대한 응답을 생성하는 동작을 포함하는 방법
|
| 2 |
2
제1항에 있어서,상기 감정 벡터를 추출하는 동작은,LSTM(long short term memory) 기반의 감정 추출 모델을 기반으로 상기 입력 문장에 대한 문맥 정보를 갖는 히든 스테이트 벡터를 획득하는 동작;상기 히든 스테이트 벡터의 차원 수를 변환하는 동작; 및상기 차원 수가 변환된 벡터를 확률 형태로 정규화하여 상기 감정 벡터를 획득하는 동작을 포함하는 방법
|
| 3 |
3
제 2항에 있어서,상기 감정 벡터는, 두려움(fear), 혐오(disgust), 분노(anger), 놀람(surprise), 행복(happiness), 슬픔(sadness), 또는 중립(neutral) 감정 중 적어도 하나를 표현하는 7차원의 감정 벡터인 방법
|
| 4 |
4
제 2항에 있어서,손실 함수를 이용하여 상기 LSTM 기반의 감정 추출 모델의 학습 파라미터를 갱신하는 동작을 더 포함하는 방법
|
| 5 |
5
제 1항에 있어서,상기 조건부 변분 오토인코더는, 양방향 LSTM 기반의 인코더, 및 LSTM 기반의 디코더를 포함하는 방법
|
| 6 |
6
제 5항에 있어서,상기 생각 벡터를 획득하는 동작은,상기 양방향 LSTM 기반의 인코더를 이용하여 상기 입력 문장에 대한 문맥 정보를 포함하는 벡터를 획득하는 동작; 상기 획득된 벡터를 선형 함수에 적용하여 가우시안 확률 분포를 획득하는 동작; 및상기 가우시안 확률 분포에 대한 랜덤 샘플링을 수행하여 상기 생각 벡터를 획득하는 동작을 포함하는 방법
|
| 7 |
7
제 6항에 있어서,상기 양방향 LSTM 기반의 인코더는, 상기 입력 문장의 과거 정보를 고려하는 포워드 패스와 미래 정보를 고려하는 백워드 패스를 포함하는 방법
|
| 8 |
8
제 1항에 있어서,상기 입력 문장에 대한 응답을 생성하는 동작은,상기 생각 벡터와 상기 감정 벡터가 결합된 결합 벡터를 획득하는 동작; 및상기 결합 벡터를 상기 LSTM 기반의 디코더에 적용하여 상기 입력 문장에 대한 응답을 생성하는 동작을 포함하는 방법
|
| 9 |
9
제 8항에 있어서,상기 결합 벡터를 상기 LSTM 기반의 디코더에 적용하여 상기 입력 문장에 대한 응답을 생성하는 동작은,완전 연결 신경망 층(fully connected neural network layer)을 통해 상기 결합 벡터의 차원 수를 변환시키는 동작; 및상기 차원 수가 변환된 결합 벡터를 상기 LSTM 기반의 디코더에 적용하는 동작을 포함하며,상기 결합 벡터의 변환된 차원 수는, 상기 LSTM 기반의 디코더 모델의 차원 수와 일치하는 방법
|
| 10 |
10
정서적 응답을 생성하는 전자 장치에 있어서,입력 문장을 획득하는 입력부; 및프로세서를 포함하며, 상기 프로세서는, 딥러닝 기반의 감정 추출 모델을 이용하여, 상기 입력 문장의 감정을 나타내는 감정 벡터를 추출하고, 조건부 변분 오토인코더에 기반한 랜덤 샘플링을 통해 상기 입력 문장의 문맥 정보를 갖는 생각 벡터를 획득하고, 상기 생각 벡터와 상기 감정 벡터를 기반으로 상기 입력 문장에 대한 응답을 생성하는 전자 장치
|
| 11 |
11
제10항에 있어서,상기 프로세서는, LSTM 기반의 감정 추출 모델을 기반으로 상기 입력 문장에 대한 문맥 정보를 갖는 히든 스테이트 벡터를 획득하고,상기 히든 스테이트 벡터의 차원 수를 변환하고,상기 차원 수가 변환된 벡터를 확률 형태로 정규화하여 상기 감정 벡터를 획득하는 전자 장치
|
| 12 |
12
제 11항에 있어서,상기 감정 벡터는, 두려움(fear), 혐오(disgust), 분노(anger), 놀람(surprise), 행복(happiness), 슬픔(sadness), 또는 중립(neutral) 감정 중 적어도 하나를 표현하는 7차원의 감정 벡터인 전자 장치
|
| 13 |
13
제 11항에 있어서,상기 프로세서는, 손실 함수를 이용하여 상기 LSTM 기반의 감정 추출 모델의 학습 파라미터를 갱신하는 전자 장치
|
| 14 |
14
제 10항에 있어서,상기 조건부 변분 오토인코더는, 양방향 LSTM 기반의 인코더, 및 LSTM 기반의 디코더를 포함하는 전자 장치
|
| 15 |
15
제 14항에 있어서,상기 프로세서는, 상기 양방향 LSTM 기반의 인코더를 이용하여 상기 입력 문장에 대한 문맥 정보를 포함하는 벡터를 획득하고,상기 획득된 벡터를 선형 함수에 적용하여 가우시안 확률 분포를 획득하고, 상기 가우시안 확률 분포에 대한 랜덤 샘플링을 수행하여 상기 생각 벡터를 획득하는 전자 장치
|
| 16 |
16
제 15항에 있어서,상기 양방향 LSTM 기반의 인코더는, 상기 입력 문장의 과거 정보를 고려하는 포워드 패스와 미래 정보를 고려하는 백워드 패스를 포함하는 전자 장치
|
| 17 |
17
제 10항에 있어서,상기 프로세서는, 상기 생각 벡터와 상기 감정 벡터가 결합된 결합 벡터를 획득하고,상기 결합 벡터를 상기 LSTM 기반의 디코더에 적용하여 상기 입력 문장에 대한 응답을 생성하는 전자 장치
|
| 18 |
18
제 17항에 있어서,상기 프로세서는, 완전 연결 신경망 층(fully connected neural network layer)을 통해 상기 결합 벡터의 차원 수를 변환시키고,상기 차원 수가 변환된 결합 벡터를 상기 LSTM 기반의 디코더에 적용하며,상기 결합 벡터의 변환된 차원 수는, 상기 LSTM 기반의 디코더 모델의 차원 수와 일치하는 전자 장치
|
| 19 |
19
컴퓨터 판독 가능 저장 매체에 있어서,컴퓨터 상에서 실행될 때, 제1항 내지 제9항 중 어느 하나의 항에 따른 정서적 응답을 생성하는 방법을 수행하는 컴퓨터 프로그램을 포함하는 컴퓨터 판독가능 저장 매체
|
