1 |
1
전자 장치에서 정서적 응답을 생성하는 방법에 있어서,딥러닝 기반의 감정 추출 모델을 이용하여, 입력 문장의 감정을 나타내는 감정 벡터를 추출하는 동작;딥러닝 기반의 생각 추출 모델을 이용하여, 상기 입력 문장의 문맥적 의미에 대응하는 생각 벡터를 추출하는 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 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
제2항에 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
제2항에 있어서,손실 함수를 이용하여 상기 LSTM 기반의 감정 추출 모델의 학습 파라미터를 갱신하는 동작을 더 포함하는 방법
|
5 |
5
제1항에 있어서,상기 딥러닝 기반의 생각 추출 모델은, 양방향 LSTM 기반의 인코더 모델을 포함하는 방법
|
6 |
6
제5항에 있어서,상기 생각 벡터를 획득하는 동작은,상기 양방향 LSTM 기반의 인코더 모델의 포워드 패스를 통해 과거 정보가 고려된 제1 히든 스테이트 벡터를 획득하는 동작;상기 양방향 LSTM 기반의 인코더 모델의 백워드 패스를 통해 미래 정보가 고려된 제2 히든 스테이트 벡터를 획득하는 동작; 및상기 제1 히든 스테이트 벡터와 상기 제2 히든 스테이트 벡터를 결합하여 상기 생각 벡터를 획득하는 동작을 포함하는 방법
|
7 |
7
제1항에 있어서,상기 입력 문장에 대한 응답을 생성하는 동작은,상기 생각 벡터와 상기 감정 벡터가 결합된 결합 벡터를 획득하는 동작; 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
|
8 |
8
제1항에 있어서,상기 입력 문장에 대한 응답을 생성하는 동작은,어텐션 메커니즘을 이용하여 상기 입력 문장에 대한 컨텍스트 벡터를 획득하는 동작; 및상기 컨텍스트 벡터를 기반으로, 상기 입력 문장에 대한 응답을 생성하는 동작을 포함하며,상기 컨텍스트 벡터는, 상기 입력 문장의 중요한 정보를 포함하는 벡터인 방법
|
9 |
9
제8항에 있어서,상기 컨텍스트 벡터를 기반으로, 상기 입력 문장에 대한 응답을 생성하는 동작은,상기 컨텍스트 벡터를 기반으로, 상기 LSTM 기반의 디코더 모델의 각 타임 스텝에 대한 히든 스테이트 벡터들을 획득하는 동작; 상기 히든 스테이트 벡터들에 가중치를 적용하고 정규화하여 확률 값을 갖는 벡터 형태로 변환하는 동작; 및상기 확률 값을 갖는 벡터들의 인덱스들을 기반으로 응답을 생성하는 동작을 포함하는 방법
|
10 |
10
정서적 응답을 생성하는 전자 장치에 있어서,입력 문장을 획득하는 입력부; 및프로세서를 포함하며, 상기 프로세서는, 딥러닝 기반의 감정 추출 모델을 이용하여, 입력 문장의 감정을 나타내는 감정 벡터를 추출하고, 딥러닝 기반의 생각 추출 모델을 이용하여, 상기 입력 문장의 문맥적 의미에 대응하는 생각 벡터를 추출하고; 및 상기 생각 벡터와 상기 감정 벡터를 기반으로 상기 입력 문장에 대한 응답을 생성하는 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
제11항에 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
제11항에 있어서,상기 프로세서는, 손실 함수를 이용하여 상기 LSTM 기반의 감정 추출 모델의 학습 파라미터를 갱신하는 전자 장치
|
14 |
14
제10항에 있어서,상기 딥러닝 기반의 생각 추출 모델은, 양방향 LSTM 기반의 인코더 모델을 포함하는 장치
|
15 |
15
제14항에 있어서,상기 프로세서는, 상기 양방향 LSTM 기반의 인코더 모델의 포워드 패스를 통해 과거 정보가 고려된 제1 히든 스테이트 벡터를 획득하고,상기 양방향 LSTM 기반의 인코더 모델의 백워드 패스를 통해 미래 정보가 고려된 제2 히든 스테이트 벡터를 획득하고; 및상기 제1 히든 스테이트 벡터와 상기 제2 히든 스테이트 벡터를 결합하여 상기 생각 벡터를 획득하는 전자 장치
|
16 |
16
제14항에 있어서,상기 프로세서는, 상기 생각 벡터와 상기 감정 벡터가 결합된 결합 벡터를 획득하고,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
|
17 |
17
제14항에 있어서,상기 프로세서는, 어텐션 메커니즘을 이용하여 상기 입력 문장에 대한 컨텍스트 벡터를 획득하고,상기 컨텍스트 벡터를 기반으로, 상기 입력 문장에 대한 응답을 생성하며,상기 컨텍스트 벡터는, 상기 입력 문장의 중요한 정보를 포함하는 벡터인 전자 장치
|
18 |
18
제17항에 있어서,상기 프로세서는, 상기 컨텍스트 벡터를 기반으로, 상기 LSTM 기반의 디코더 모델의 각 타임 스텝에 대한 히든 스테이트 벡터들을 획득하고, 상기 히든 스테이트 벡터들에 가중치를 적용하고 정규화하여 확률 값을 갖는 벡터 형태로 변환하고,상기 확률 값을 갖는 벡터들의 인덱스들을 기반으로 응답을 생성하는 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
|