| 1 |
1
기계 독해를 위한 패시지 재순위화 방법에 있어서,검색 모델로부터 패시지 검색 결과를 수신하는 동작;사용자 쿼리에 대한 쿼리 벡터 및 상기 패시지 검색 결과에 포함된 하나 이상의 패시지에 대한 패시지 벡터를 인코딩하는 동작;인코딩된 쿼리 벡터 및 인코딩된 패시지 벡터를 쿼리 구 벡터 및 패시지 구 벡터로 변환하는 동작;상기 쿼리 구 벡터 및 상기 패시지 구 벡터에 기초하여 상기 사용자 쿼리 및 상기 패시지 간의 연관 정도를 계산하는 동작; 및상기 연관 정도에 기초하여 상기 사용자 쿼리 및 상기 패시지의 유사도를 계산함으로써 상기 패시지 검색 결과를 재순위화하는 동작을 포함하는, 패시지 재순위화 방법
|
| 2 |
2
제1항에 있어서,상기 쿼리 벡터 및 상기 패시지 벡터는 각 단어 벡터로 입력되며,상기 각 단어 벡터는,단어 임베딩 벡터, 위치 임베딩 벡터, 오버랩 위치 임베딩 벡터, 및 IDF(inversed document frequency) 스코어 임베딩 벡터의 연결((concatenation)로 표현되는 것인, 패시지 재순위화 방법
|
| 3 |
3
제1항에 있어서,상기 변환하는 동작은,컨벌루션 필터를 이용하여 단어 n-그램에 기초하는 구-수준 특징(feature)을 생성함으로써 상기 쿼리 구 벡터 및 상기 패시지 구 벡터로 변환하는 동작을 포함하는, 패시지 재순위화 방법
|
| 4 |
4
제3항에 있어서,상기 쿼리 구 벡터 및 상기 패시지 구 벡터는,n-그램 구 벡터인 것인, 패시지 재순위화 방법
|
| 5 |
5
제4항에 있어서,상기 쿼리 구 벡터 및 상기 패시지 구 벡터는,유니그램 구 벡터(unigram phrase vector), 바이그램 구 벡터(bigram phrase vector), 및 트라이그램 구 벡터(trigram phrase vector)를 포함하는, 패시지 재순위화 방법
|
| 6 |
6
제1항에 있어서,상기 계산하는 동작은,상기 쿼리 구 벡터에 기초하여 가중합 연산을 수행함으로써 정규화된 쿼리 벡터를 생성하는 동작;상기 정규화된 쿼리 벡터와 상기 패시지 구 벡터 사이의 코-어텐션 연산을 수행하여 상기 사용자 쿼리 및 상기 패시지 간의 공통 정보인 어텐션 벡터를 계산하는 동작; 및상기 어텐션 벡터를 가중합 연산을 수행함으로써 정규화된 어텐션 벡터를 생성하는 동작을 포함하는, 패시지 재순위화 방법
|
| 7 |
7
제6항에 있어서,상기 재순위화하는 동작은,상기 정규화된 쿼리 벡터 및 상기 정규화된 어텐션 벡터의 유사도를 계산하는 동작; 및상기 유사도에 기초하여 상기 패시지 검색 결과를 재순위화하는 동작을 포함하는, 패시지 재순위화 방법
|
| 8 |
8
제7항에 있어서,상기 정규화된 쿼리 벡터 및 상기 정규화된 어텐션 벡터는,고정-길이의 단일 벡터인, 패시지 재순위화 방법
|
| 9 |
9
하드웨어와 결합되어 제1항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
| 10 |
10
기계 독해를 위한 패시지 재순위화 장치에 있어서,하나 이상의 인스트럭션을 저장하는 메모리; 및상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고,상기 인스트럭션이 실행될 때, 상기 프로세서는,검색 모델로부터 패시지 검색 결과를 수신하고,사용자 쿼리에 대한 쿼리 벡터 및 상기 패시지 검색 결과에 포함된 하나 이상의 패시지에 대한 패시지 벡터를 인코딩하고,인코딩된 쿼리 벡터 및 인코딩된 패시지 벡터를 쿼리 구 벡터 및 패시지 구 벡터로 변환하고,상기 쿼리 구 벡터 및 상기 패시지 구 벡터에 기초하여 상기 사용자 쿼리 및 상기 패시지 간의 연관 정도를 계산하고,상기 연관 정도에 기초하여 상기 사용자 쿼리 및 상기 패시지의 유사도를 계산함으로써 상기 패시지 검색 결과를 재순위화하는, 장치
|
| 11 |
11
제10항에 있어서,상기 쿼리 벡터 및 상기 패시지 벡터는 각 단어 벡터로 입력되며,상기 각 단어 벡터는,단어 임베딩 벡터, 위치 임베딩 벡터, 오버랩 위치 임베딩 벡터, 및 IDF(inversed document frequency) 스코어 임베딩 벡터의 연결((concatenation)로 표현되는 것인, 장치
|
| 12 |
12
제10항에 있어서,상기 프로세서는,컨벌루션 필터를 이용하여 단어 n-그램에 기초하는 구-수준 특징(feature)을 생성함으로써 상기 쿼리 구 벡터 및 상기 패시지 구 벡터로 변환하는, 장치
|
| 13 |
13
제12항에 있어서,상기 쿼리 구 벡터 및 상기 패시지 구 벡터는,n-그램 구 벡터인 것인, 장치
|
| 14 |
14
제13항에 있어서,상기 쿼리 구 벡터 및 상기 패시지 구 벡터는,유니그램 구 벡터(unigram phrase vector), 바이그램 구 벡터(bigram phrase vector), 및 트라이그램 구 벡터(trigram phrase vector)를 포함하는, 장치
|
| 15 |
15
제10항에 있어서,상기 프로세서는,상기 쿼리 구 벡터에 기초하여 가중합 연산을 수행함으로써 정규화된 쿼리 벡터를 생성하고,상기 정규화된 쿼리 벡터와 상기 패시지 구 벡터 사이의 코-어텐션 연산을 수행하여 상기 사용자 쿼리 및 상기 패시지 간의 공통 정보인 어텐션 벡터를 계산하고,상기 어텐션 벡터를 가중합 연산을 수행함으로써 정규화된 어텐션 벡터를 생성하는, 장치
|
| 16 |
16
제15항에 있어서,상기 프로세서는,상기 정규화된 쿼리 벡터 및 상기 정규화된 어텐션 벡터의 유사도를 계산하고,상기 유사도에 기초하여 상기 패시지 검색 결과를 재순위화하는, 장치
|
| 17 |
17
제16항에 있어서,상기 정규화된 쿼리 벡터 및 상기 정규화된 어텐션 벡터는,고정-길이의 단일 벡터인, 장치
|
