Nothing Special   »   [go: up one dir, main page]

KR102424514B1 - 언어 처리 방법 및 장치 - Google Patents

언어 처리 방법 및 장치 Download PDF

Info

Publication number
KR102424514B1
KR102424514B1 KR1020170165397A KR20170165397A KR102424514B1 KR 102424514 B1 KR102424514 B1 KR 102424514B1 KR 1020170165397 A KR1020170165397 A KR 1020170165397A KR 20170165397 A KR20170165397 A KR 20170165397A KR 102424514 B1 KR102424514 B1 KR 102424514B1
Authority
KR
South Korea
Prior art keywords
token
prefix
neural network
language processing
generating
Prior art date
Application number
KR1020170165397A
Other languages
English (en)
Other versions
KR20190065842A (ko
Inventor
이민중
이호동
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170165397A priority Critical patent/KR102424514B1/ko
Priority to CN201810522423.8A priority patent/CN109871529B/zh
Priority to US16/108,717 priority patent/US11017777B2/en
Priority to JP2018201883A priority patent/JP7171367B2/ja
Priority to EP18207882.4A priority patent/EP3493119B1/en
Publication of KR20190065842A publication Critical patent/KR20190065842A/ko
Application granted granted Critical
Publication of KR102424514B1 publication Critical patent/KR102424514B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/44—Statistical methods, e.g. probability models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)
  • Input From Keyboards Or The Like (AREA)

Abstract

언어 처리 방법 및 장치가 개시된다. 뉴럴 네트워크(neural network, NN)를 이용한 언어 처리 장치는 뉴럴 네트워크 기반의 인코더(encoder)를 이용하여 소스 문장으로부터 문맥 정보를 획득하고, 뉴럴 네트워크 기반의 메인 디코더(main decoder)를 이용하여 문맥 정보로부터 프리픽스 토큰(prefix token)을 생성한다. 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 언어 처리 장치는 스킵 모델(skip model)을 이용하여 프리픽스 토큰에 뒤따르는 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하고, 프리픽스 토큰 및 토큰 시퀀스가 결합된 타겟 문장을 출력한다.

Description

언어 처리 방법 및 장치{METHOD AND APPARATUS FOR PROCESSING LANGUAGE INPUT}
아래의 설명은 자동으로 입력 언어를 처리하는 기술에 관한 것이다.
뉴럴 네트워크는 인공 신경망으로 지칭될 수 있다. 뉴럴 네트워크는 연결선으로 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 인식 모델이다. 여기서, 하드웨어는 뉴로모픽 칩(neuromorphic chip)을 포함할 수 있다. 뉴로모픽 칩은 신경망 연산을 위해 필요한 회로로 구성된 칩을 의미한다.
전술한 배경기술은 발명자가 본 발명의 도출과정에서 보유하거나 습득한 것으로서, 반드시 본 발명의 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다
일 실시예에 따른 뉴럴 네트워크(neural network, NN)를 이용한 언어 처리 방법은, 뉴럴 네트워크 기반의 인코더(encoder)를 이용하여 소스 문장으로부터 문맥 정보를 획득하는 단계, 뉴럴 네트워크 기반의 메인 디코더(main decoder)를 이용하여 상기 문맥 정보로부터 프리픽스 토큰(prefix token)을 생성하는 단계, 상기 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 스킵 모델(skip model)을 이용하여 상기 프리픽스 토큰에 뒤따르는 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하는 단계 및 상기 프리픽스 토큰 및 상기 토큰 시퀀스가 결합된 타겟 문장을 출력하는 단계를 포함한다.
상기 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 상기 메인 디코더를 이용하여 상기 프리픽스 토큰에 뒤따르는 토큰을 생성하는 단계를 더 포함할 수 있다.
상기 스킵 모델은 복수의 단어를 철자 순서로 정렬한 사전을 포함할 수 있다.
상기 조건은 상기 토큰 시퀀스가 상기 프리픽스 토큰에 뒤따를 확률이 임계치 이상인 조건을 포함 할 수 있다.
상기 스킵 모델은 뉴럴 네트워크 기반의 서브 디코더(sub decoder)를 포함 할 수 있다.
상기 조건은 상기 토큰 시퀀스를 생성하는 난이도가 임계치 이하인 조건을 포함할 수 있다.
상기 프리픽스 토큰을 생성하는 단계는, 미리 설정된 개수의 빔 노드(beam node) 별로 프리픽스 토큰을 생성하고, 상기 토큰 시퀀스를 생성하는 단계는, 상기 미리 설정된 개수의 빔 노드 별로 상기 스킵 모델을 이용하여 상기 토큰 시퀀스를 생성 할 수 있다.
상기 타겟 문장을 출력하는 단계는, 상기 빔 노드 별로 획득된 상기 프리픽스 토큰 및 상기 토큰 시퀀스를 포함하는 후보 문장 중에서 타겟 문장을 결정 할 수 있다.
상기 메인 디코더는 제1 히든 노드와 제2 히든 노드를 포함하고, 상기 제1 히든 노든은 상기 프리픽스 토큰을 입력 받아 상기 스킵 모델을 이용하여 상기 토큰 시퀀스를 생성하고, 상기 제2 히든 노드는 상기 프리픽스 토큰과 상기 토큰 시퀀스를 입력 받을 수 있다.
상기 서브 디코더는 제3 히든 노드와 제4 히든 노드를 포함하고, 상기 제3 히든 노드는 상기 프리픽스 토큰을 입력 받아 상기 토큰 시퀀스를 생성하고, 상기 제4 히든 노드는 상기 프리픽스 토큰과 상기 토큰 시퀀스를 입력 받을 수 있다.
상기 토큰은 문자, 단어 또는 문장을 포함할 수 있다. 상기 타겟 문장은 상기 소스 문장의 번역 결과에 대응될 수 있다. 상기 타겟 문장은 상기 소스 문장에 대응되는 자연어 생성의 결과일 수 있다.
비일시적인(non-transitory) 컴퓨터 판독 가능한 저장 매체는 컴퓨팅 하드웨어가 제1항 내지 제13항 중 어느 하나의 항의 방법을 실행하도록 하는 인스트럭션들을 저장할 수 있다.
일 실시예에 따른 언어 처리 장치는, 적어도 하나의 프로세서, 뉴럴 네트워크 기반의 인코더, 뉴럴 네트워크 기반의 메인 디코더 및 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하는 스킵 모델을 포함하고, 상기 프로세서는, 상기 인코더를 이용하여 소스 문장으로부터 문맥 정보를 생성하고, 상기 메인 디코더를 이용하여 상기 문맥 정보로부터 프리픽스 토큰을 생성하고, 상기 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 스킵 모델을 이용하여 상기 프리픽스 토큰에 뒤따르는 상기 토큰 시퀀스를 생성하고, 상기 프리픽스 토큰 및 상기 토큰 시퀀스가 결합된 타겟 문장을 출력한다.
상기 메인 디코더를 이용하여 프리픽스 토큰을 생성하고, 프리픽스 토큰이 미리 설정된 조건을 만족할 때마다, 상기 과정이 반복 될 수 있다.
상기 프로세서는, 상기 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 상기 메인 디코더를 이용하여 상기 프리픽스 토큰에 뒤따르는 토큰을 생성할 수 있다.
상기 스킵 모델은 복수의 단어를 철자 순서로 정렬한 사전을 포함할 수 있다.
상기 스킵 모델은 뉴럴 네트워크 기반의 서브 디코더를 포함할 수 있다.
도 1은 일 실시예에 따른 언어 처리를 위한 시스템의 전체적인 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 언어 처리 방법을 도시한 순서도이다.
도 3a는 순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 3b는 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 4는 일 실시예에 따른 스킵 모델과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 5는 다른 실시예에 따른 스킵 모델과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 6a는 일 실시예에 따른 빔 서치 알고리즘과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 6b는 일 실시예에 따른 빔 서치 알고리즘과 함께 사전의 스킵 모델 및 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 6c는 일 실시예에 따른 빔 서치 알고리즘을 이용한 언어 처리 결과를 도시한 도면이다.
도 7은 일 실시예에 따른 언어 처리 장치의 세부 구성을 도시한 도면이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
한편, 어떤 실시예가 달리 구현 가능한 경우에 특정 블록 내에 명기된 기능 또는 동작이 순서도와 다르게 수행될 수 있다. 예를 들어, 연속하는 두 블록들이 실제로는 실질적으로 동시에 수행될 수도 있고, 관련된 기능 또는 동작에 따라서는 해당 블록들의 순서가 뒤바뀌어 수행될 수도 있다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 언어 처리를 위한 시스템의 전체적인 구성을 도시한 도면이다.
일 실시예에 따르면, 언어 처리 장치(100)는 스킵 모델(skip model)과 비순환형 뉴럴 네트워크(non-recurrent neural network, NN)를 이용하여 소스 문장(source text)(101)을 타겟 문장(target text)(103)으로 변환할 수 있다. 언어 처리 장치(100)는 비순환형 뉴럴 네트워크와 스킵 모델을 이용하여 복수의 토큰을 한번에 디코딩함으로써 처리 시간을 단축할 수 있다. 언어 처리 장치(100)는 시퀀스-투-시퀀스(sequence-to-sequence) 방식의 언어 처리에서 디코딩 횟수를 줄일 수 있다. 언어 처리 과정은 학습(training) 과정과 구별되며 추정(inference) 과정을 포함할 수 있다.
일례로, 언어 처리 장치(100)는 기계 번역(Machine Translation)을 수행할 수 있다. 언어 처리 장치(100)는 번역 기능이 필요한 모든 기기에 적용될 수 있다. 학습 말뭉치를 통해 학습된 언어 처리 장치(100)는 소스 문장을 타겟 문장으로 자동으로 번역할 수 있다. 예를 들어, 스마트폰(111)을 통해 입력된 "키우고 베풀어 주신 어머니"와 같은 텍스트 데이터(101)는 언어 처리 장치(100)에 의하여 타겟 문장(103)으로 번역될 수 있다. 예를 들어, 마이크(113)를 통해 입력된 "키우고 베풀어 주신 어머니"와 같은 음성 데이터(101)는 언어 처리 장치(100)를 통해 타겟 문장(103)으로 번역될 수 있다. 여기서, 타겟 문장은 소스 문장의 번역 결과에 대응될 수 있다.
다른 일례로, 언어 처리 장치(100)는 자연어 생성(Natural Language Generation)을 수행할 수 있다. 예를 들어, 언어 처리 장치(100)는 대화 시스템 또는 질문 답변 시스템에 적용될 수 있다. 학습 말뭉치를 통해 학습된 언어 처리 장치(100)는 대화 시스템에서 소스 문장에 대응하는 타겟 문장을 생성할 수 있다. 도 1을 참조하면, 언어 처리 장치(100)는 컴퓨터(115)를 통해 입력된 소스 문장(101)인 "키우고 베풀어 주신 어머니"에 대응하여 "감사합니다"(105)라는 대화 결과를 출력할 수 있다. 여기서, 타겟 문장은 소스 문장에 대한 응답일 수 있다.
뉴럴 네트워크에서는 생물학적인 뉴런의 기능을 단순화시킨 인공 뉴런들이 이용되고, 인공 뉴런들은 연결 가중치(connection weight)를 가지는 연결선을 통해 상호 연결될 수 있다. 연결 가중치는 연결선이 갖는 특정한 값으로서 연결 강도라고 지칭될 수 있다. 뉴럴 네트워크는 인공 뉴런들을 통해 인간의 인지 작용이나 학습 과정을 수행할 수 있다. 인공 뉴런은 노드(node)라고 지칭될 수 있다.
뉴럴 네트워크는 복수의 레이어를 포함할 수 있다. 레이어는 층으로 지칭될 수 있다. 예를 들어, 뉴럴 네트워크는 입력 레이어(input layer), 히든 레이어(hidden layer), 출력 레이어(output layer)를 포함할 수 있다. 입력 레이어는 학습을 수행하기 위한 입력을 수신하여 히든 레이어에 전달할 수 있고, 출력 레이어는 히든 레이어의 노드들로부터 수신한 신호에 기초하여 뉴럴 네트워크의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 입력 레이어를 통해 전달된 학습 데이터를 올바르게 예측하기 위한 값으로 변화시킬 수 있다. 입력 레이어와 히든 레이어에 포함된 노드들은 연결 가중치를 가지는 연결선을 통해 서로 연결되고, 히든 레이어와 출력 레이어에 포함된 노드들에서도 연결 가중치를 가지는 연결선을 통해 서로 연결될 수 있다. 입력 레이어, 히든 레이어 및 출력 레이어는 복수의 노드를 포함할 수 있다.
뉴럴 네트워크는 복수의 히든 레이어를 포함할 수 있다. 복수의 히든 레이어를 포함하는 신경망은 딥 뉴럴 네트워크(deep neural network)라고 지칭될 수 있다. 딥 뉴럴 네트워크를 학습시키는 것은 딥 러닝(deep learning)이라고 지칭될 수 있다. 히든 레이어에 포함된 노드는 히든 노드(hidden node)라고 지칭될 수 있다.
서로 다른 시간 구간에서 히든 노드들 간에 재귀적(recurrent)인 연결이 있는 뉴럴 네트워크는 순환형 뉴럴 네트워크(recurrent neural network)라고 지칭될 수 있다. 순환형 뉴럴 네트워크는 회귀 신경망이라고 지칭될 수 있다. 순환형 뉴럴 네트워크에서 이전 시간 구간에서의 히든 노드의 히든 스테이트(hidden state)는 현재 시간 구간에서의 히든 노드들에 전달될 수 있다. 여기서 각 시간 구간은 각 토큰이 처리된 차례에 대응될 수 있다.
서로 다른 시간 구간에서 히든 노드들 간에 재귀적(recurrent)인 연결이 없는 뉴럴 네트워크는 비순환형 뉴럴 네트워크(non-recurrent neural network)라고 지칭될 수 있다. 비순환형 뉴럴 네트워크는 비회귀 신경망이라고 지칭될 수 있다. 비순환형 뉴럴 네트워크에서 이전 시간 구간에서의 히든 노드의 히든 스테이트(hidden state)는 현재 시간 구간에서의 히든 노드들에 전달되지 않는다.
시퀀스-투-시퀀스 방식은 순차적 데이터(sequential data)를 순차적 데이터로 변환하는 언어 처리 방식을 의미한다. 순차적 데이터는 시간성 내지 순서를 가지는 데이터이다. 일례로, 순차적 데이터는 음성 데이터 또는 문자 데이터를 포함할 수 있다.
일 실시예에 따르면, 언어 처리 장치(100)는 인코더(encoder)를 이용하여 순차적 데이터인 소스 문장을 문맥 정보로 변환할 수 있다. 인코더는 뉴럴 네트워크일 수 있다. 인코더는 비순환형 뉴럴 네트워크일 수 있다. 문맥 정보는 컨텍스트(context)로 지칭될 수 있다. 소스 문장이 순차적 데이터이므로 문맥 정보 또한 순차적 데이터가 된다. 문맥 정보는 각 토큰의 확률을 포함하는 벡터일 수 있다. 여기서, 토큰은 문자, 단어 또는 문장 등과 같이 소스 문장을 구분하는 단위를 지칭할 수 있다.
순환형 뉴럴 네트워크의 경우, 순차적 데이터는 각 토큰이 순차적으로 인코딩된다. 순환형 뉴럴 네트워크는 학습 과정에서 입력 문장의 토큰 각각을 연속하여 처리한다. 순환형 뉴럴 네트워크는 학습 과정에서 입력 문장의 토큰 각각을 연속하여 인코딩(encoding)하거나 디코딩(decoding)한다.
반면에, 비순환형 뉴럴 네트워크의 경우, 인코딩 과정에서 순차적 데이터에 포함된 복수의 토큰은 한번에 인코딩될 수 있다. 비순환형 뉴럴 네트워크는 학습 과정 또는 추정 과정에서 복수의 토큰을 한번에 인코딩할 수 있다. 추정 과정은 추론(inference) 과정으로 지칭될 수 있다. 학습 과정에서 비순환형 뉴럴 네트워크는 문맥 정보로부터 타겟 문장에 포함된 복수의 토큰을 한번에 디코딩할 수 있다. 비순환형 뉴럴 네트워크는 순환형 뉴럴 네트워크에 비해 보다 빠른 속도로 학습 과정을 수행할 수 있다. 비순환형 뉴럴 네트워크는 순환형 뉴럴 네트워크에 비해 보다 빠른 속도로 추정 과정의 인코딩을 수행할 수 있다.
일 실시예에 따르면, 언어 처리 장치(100)는 디코더(decoder)를 이용하여 순차적 데이터인 문맥 정보를 타겟 문장으로 변환할 수 있다. 디코더는 뉴럴 네트워크일 수 있다. 디코더는 비순환형 뉴럴 네트워크일 수 있다. 학습 과정과 달리 추정 과정의 디코딩에서는 타겟 문장을 구성하는 토큰이 미리 알려지지 않기 때문에 각 토큰에 대해 디코딩은 순차적으로 진행되어야 한다.
일 실시예에 따르면, 언어 처리 장치(100)는 스킵 모델을 이용하여 벌크 디코딩(bulk decoding)을 수행함으로써 처리 속도를 증가시킬 수 있다. 언어 처리 장치(100)는 비순환형 뉴럴 네트워크와 스킵 모델을 이용하여 복수의 토큰을 한번에 디코딩할 수 있다. 여기서, 한번에 인코딩하거나 한번에 디코딩 하는 것은 병렬적으로 인코딩하거나 병렬적으로 디코딩하는 것으로 지칭될 수 있다. 복수의 토큰을 한번에 디코딩하는 것은 벌크 디코딩이라고 지칭될 수 있다.
언어 처리 장치(100)는 스킵 모델을 이용하여 현재까지 디코딩된 하나 이상의 토큰을 기초로 정답일 확률이 높은 토큰 시퀀스(token sequence)를 생성할 수 있다. 토큰 시퀀스는 둘 이상의 토큰을 포함할 수 있다. 언어 처리 장치(100)는 스킵 모델을 이용하여 둘 이상의 토큰을 포함하는 토큰 시퀀스를 한번에 생성함으로써 처리 속도를 증가시킬 수 있다.
일 실시예에 따르면, 스킵 모델은 타겟 언어로 정렬된 사전을 포함할 수 있다. 이 경우, 스킵 모델은 타겟 언어의 학습 말뭉치(corpus)를 참고하여 생성될 수 있다. 다른 실시예에 따르면, 스킵 모델은 뉴럴 네트워크일 수 있다. 뉴럴 네트워크인 스킵 모델은 서브 디코더(sub decoder)로 지칭될 수 있다. 이 경우, 스킵 모델은 소스 언어와 타겟 언어의 쌍으로 구성된 학습 말뭉치를 기초로 학습될 수 있다.
언어 처리 장치(100)는 스킵 모델을 이용하여 현재까지 생성된 k개의 토큰을 기초로 이후의 n개의 토큰을 임계치 이상의 확률로 추정할 수 있다. 언어 처리 장치(100)는 수학식 1에 따라 벌크 디코딩을 수행할 수 있다.
[수학식 1]
Pr(tx, tx+1, ... tx+n | tx-k,... tx-1 ) ≥ Pth
수학식 1을 참고하면, 현재까지 생성된 토큰 시퀀스가 tx-k,... tx-1인 경우 이후의 토큰 시퀀스가 tx, tx+1, ... tx+n일 확률이 Pth 이상인 경우에, 언어 처리 장치(100)는 tx, tx+1, ... tx+n를 토큰 시퀀스로서 생성할 수 있다. 여기서, 현재까지 생성된 토큰 시퀀스는 단어 또는 문장의 앞부분일 필요는 없고 순서에 구애되지 않는다. 추정되는 토큰 시퀀스는 단어 또는 문장의 뒷부분일 필요는 없고 순서에 구애되지 않는다.
기계 번역의 경우, 언어 처리 장치(100)는 사전의 스킵 모델을 이용함으로써 사전에 존재하지 않는 잘못된 번역 결과를 출력하는 문제를 해소할 수 있다. 사전에는 올바른 단어가 저장되기 때문에, 언어 처리 장치(100)는 사전의 스킵 모델을 이용함으로써 각 토큰 별로 디코딩된 결과가 맞춤법에 어긋나는 문제를 방지할 수 있다.
학습 과정의 경우, 언어 처리 과정과 달리 디코더는 비순환형 뉴럴 네트워크인 경우 문맥 정보를 병렬적으로 타겟 문장으로 변환할 수 있다. 학습 장치는 언어 처리 장치(100)의 인코더 및 디코더가 학습 소스 문장에 대해 학습 타겟 문장으로 변환될 확률이 최대화되는 방향으로 언어 처리 장치(100)를 학습시킬 수 있다.
스킵 모델이 사전인 경우 언어 처리 장치(100)는 타겟 언어의 학습 데이터로 학습될 수 있다. 학습 데이터는 학습 말뭉치를 포함할 수 있다. 스킵 모델이 뉴럴 네트워크인 경우 언어 처리 장치(100)는 학습 소스 문장 및 타겟 언어의 학습 타겟 문장의 쌍으로 구성된 병렬 코퍼스(parallel corpus)를 이용하여 학습될 수 있다.
도 2는 일 실시예에 따른 언어 처리 방법을 도시한 순서도이다.
일 실시예에 따르면, 언어 처리 장치(100)는 비순환형 뉴럴 네트워크 기반의 인코더를 이용하여 소스 문장의 정보를 잘 표현하는 문맥 정보를 생성하고, 문맥 정보로부터 비순환형 뉴럴 네트워크 기반의 디코더 및 스킵 모델을 이용하여 타겟 문장을 생성할 수 있다.
일 실시예에 따르면, 단계(201)에서 언어 처리 장치(100)는 뉴럴 네트워크 기반의 인코더를 이용하여 소스 문장으로부터 문맥 정보를 획득할 수 있다. 언어 처리 장치(100)는 인코더를 이용하여 소스 문장을 벡터 형태의 문맥 정보로 변환할 수 있다. 벡터는 소스 문장의 각 토큰에 대응되는 확률값으로 구성될 수 있다. 소스 문장이 순차적 데이터이므로 문맥 정보도 순차적 데이터일 수 있다.
일 실시예에 따르면, 단계(202)에서 언어 처리 장치(100)는 뉴럴 네트워크 기반의 메인 디코더(main decoder)를 이용하여 문맥 정보로부터 프리픽스 토큰(prefix token)을 생성할 수 있다. 여기서, 프리픽스 토큰은 이후 뒤따르는 토큰과 구별하기 위한 용어로서 현재 토큰으로 지칭될 수 있다. 언어 처리 장치(100)는 문맥 정보의 각 확률값을 순차적으로 디코딩할 수 있다. 프리픽스 토큰은 현재 디코딩된 확률값으로부터 선택된 토큰을 지칭할 수 있다.
일 실시예에 따르면, 언어 처리 장치(100)는 미리 설정된 조건을 기초로 스킵 모델을 이용하여 벌크 디코딩을 수행할지 여부를 판단할 수 있다. 언어 처리 장치(100)는 디코더를 이용하여 생성된 미완성의 타겟 문장에 대하여 스킵 모델을 이용하여 벌크 디코딩을 수행할 수 있는지 판단할 수 있다.
미리 설정된 조건은 스킵 모델의 형태에 따라 달라질 수 있다. 예를 들어, 스킵 모델이 사전인 경우 미리 설정된 조건은 프리픽스 토큰에 뒤따르는 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스의 확률이 임계치 이상인 조건을 의미할 수 있다. 예를 들어, 스킵 모델이 뉴럴 네트워크인 경우 미리 설정된 조건은 토큰 시퀀스를 생성하는 난이도가 임계치 이하인 조건을 의미할 수 있다.
일 실시예에 따르면, 단계(203)에서 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 언어 처리 장치(100)는 스킵 모델을 이용하여 프리픽스 토큰에 뒤따르는 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성할 수 있다. 벌크 디코딩이 가능한 경우, 언어 처리 장치(100)는 미완성의 타겟 문장에 뒤따르는 복수의 토큰들을 한번에 생성하고 미완성의 타겟 문장과 생성된 복수의 토큰들의 결합된 결과를 디코더에 전달할 수 있다. 언어 처리 장치(100)는 토큰 시퀀스를 한번에 생성함으로써 매 토큰 별로 디코딩을 수행하는 부담을 완화할 수 있다.
일 실시예에 따르면, 단계(204)에서 언어 처리 장치(100)는 프리픽스 토큰 및 토큰 시퀀스가 결합된 타겟 문장을 출력할 수 있다. 언어 처리 장치(100)는 토큰 시퀀스를 생성 할때, 타겟 언어의 말뭉치를 기초로 생성된 스킵 모델을 이용하여 생성함으로써 각 토큰 별로 디코딩을 수행하는 경우보다 높은 정확도를 가지는 타겟 문장을 출력할 수 있다.
다른 실시예에 따르면, 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 언어 처리 장치(100)는 메인 디코더를 이용하여 프리픽스 토큰에 뒤따르는 토큰을 생성할 수 있다. 이 경우, 스킵 모델이 없는 비순환형 뉴럴 네트워크만으로 구성된 디코더와 같은 결과가 출력될 수 있다.
단계(201) 내지 단계(204)의 과정은, 예를 들어 <End>와 같이 문장의 끝을 나타내는 토큰이 생성 될 때까지 반복될 수 있다.
도 3a는 순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 3a를 참조하면, 순환형 뉴럴 네트워크 기반의 인코더(301)는 "I love you"와 같은 순차적 데이터인 소스 문장(311)을 입력 받을 수 있다. 인코더(301)는 소스 문장(311)으로부터 문맥 정보(313)를 생성할 수 있다. 인코더(301)는 순환형 뉴럴 네트워크이기 때문에 각 히든 노드의 히든 스테이트는 다음 히든 노드의 입력으로 전달되어야 한다. 따라서, 인코딩 과정은 "I love you"의 각 토큰 별로 순차적으로 수행된다. 여기서, 문맥 정보는 소스 문장의 정보를 나타내는 벡터일 수 있으며 토큰의 단위는 단어로 가정하였다.
순환형 네트워크 기반의 디코더(303)는 문맥 정보(313)로부터 "나는 너를 사랑해"와 같은 타겟 문장(315)를 생성할 수 있다. 디코더(303)는 순환형 뉴럴 네트워크이기 때문에 각 히든 노드의 히든 스테이트는 다음 히든 노드의 입력으로 전달되어야 한다. 따라서, 디코딩 과정은 문맥 정보(313)의 각 토큰 별로 순차적으로 수행된다. 따라서, 디코딩 과정은 각 토큰 별로 순차적으로 수행된다.
시작 토큰인 <start>가 첫 번째 히든 노드에 입력되는 경우 첫 번째 히든 노드의 히든 스테이트가 갱신되고 "나는"이 생성된다. 두 번째 히든 노드에 "나는"과 첫 번째 히든 노드의 히든 스테이트가 입력되고 "너를"이 생성된다. 세 번째 히든 노드에 "너를"과 두 번째 히든 노드의 히든 스테이트가 입력되고 "사랑해"가 생성된다. 네 번째 히든 노드에 "사랑해"와 세 번째 히든 노드의 히든 스테이트가 입력되고 "."이 생성된다. 다섯 번째 히든 노드에 "."와 네 번째 히든 노드의 히든 스테이트가 입력되고 종료를 나타내는 <End>가 생성된다.
도 3b는 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 3b를 참조하면, 비순환형 뉴럴 네트워크 기반의 인코더(321)는 "I love you"와 같은 순차적 데이터인 소스 문장(331)을 입력 받을 수 있다. 인코더(321)는 소스 문장(331)으로부터 문맥 정보(333)를 생성할 수 있다. 인코더(321)는 비순환형 뉴럴 네트워크이기 때문에 각 히든 노드의 히든 스테이트는 다음 히든 노드의 입력으로 전달되지 않는다. 따라서, 인코딩 과정은 "I love you"의 각 토큰 별로 순차적으로 수행될 필요 없이 소스 문장(331)에 대하여 한번에 수행될 수 있다.
비순환형 네트워크 기반의 디코더(323)는 문맥 정보(333)로부터 "나는 너를 사랑해."와 같은 타겟 문장(335)를 생성할 수 있다. 타겟 문장의 각 토큰은 미리 알려진 상태가 아니므로, 디코딩 과정은 문맥 정보(333)의 각 토큰 별로 순차적으로 수행된다. 다만, 순환형 네트워크 기반의 디코더와 달리 각 토큰은 누적하여 각 토큰에 대응되는 히든 노드에 입력된다.
시작 토큰인 <start>가 첫 번째 히든 노드에 입력되는 경우 첫 번째 히든 노드의 히든 스테이트가 갱신되고 "나는"이 생성된다. 두 번째 히든 노드에 <start> 및 "나는"이 입력되고 "너를"이 생성된다. 세 번째 히든 노드에 <start>, "나는" 및 "너를"이 입력되고 "사랑해"가 생성된다. 네 번째 히든 노드에 <start>, "나는", "너를" 및 "사랑해"가 입력되고 "."이 생성된다. 다섯 번째 히든 노드에 <start>, "나는", "너를", "사랑해" 및 "."이 입력되고 종료를 나타내는 <End>가 생성된다.
도 4는 일 실시예에 따른 스킵 모델과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
도 4를 참조하면, 스킵 모델은 사전일 수 있다. 스킵 모델은 복수의 단어를 철자 순서로 정렬한 사전(445)을 포함할 수 있다. 사전에 포함된 각 단어는 다음 단어와 비교할 때 차이가 나는 문자의 개수와 함께 저장될 수 있다. 예를 들어, 표 1을 참조하면, 정렬된 단어의 순서가 nurse, nurture 및 nurzhan일 때, nurse는 자신을 기준으로 nurture와 문자가 2개만큼 차이가 나고, nurture는 자신을 기준으로 nurzhan와 문자가 4개만큼 차이가 난다.
Figure 112017120928071-pat00001
언어 처리 장치(100)는 "nurt" 라는 프리픽스 토큰을 가지는 단어가 "nurture"로 유일(Pr(u,r,e | n,u,r,t) = 1)하다는 것을 사전에 포함된 단어의 수의 로그 시간의 복잡도로 알아낼 수 있다.
비순환형 뉴럴 네트워크 기반의 인코더(441)는 "키우고 베풀어 주신 어머니"와 같은 순차적 데이터인 소스 문장(451)을 입력 받을 수 있다. 인코더(441)는 소스 문장(451)으로부터 문맥 정보(453)를 생성할 수 있다. 인코더(441)는 비순환형 뉴럴 네트워크이기 때문에 각 히든 노드의 히든 스테이트는 다음 히든 노드의 입력으로 전달되지 않는다. 따라서, 인코딩 과정은 "키우고 베풀어 주신 어머니"의 각 토큰 별로 순차적으로 수행될 필요 없이 소스 문장(451)에 대하여 한번에 수행될 수 있다.
비순환형 네트워크 기반의 메인 디코더(443)는 문맥 정보(453)로부터 "nurture and ..."와 같은 타겟 문장(455)를 생성할 수 있다. 타겟 문장의 각 토큰은 미리 알려진 상태가 아니므로, 디코딩 과정은 문맥 정보(453)의 각 토큰 별로 순차적으로 수행된다. 다만, 순환형 네트워크 기반의 디코더와 달리 각 토큰은 누적하여 각 토큰에 대응되는 히든 노드에 입력된다.
일 실시예에 따르면, 언어 처리 장치(100)는 미리 설정된 조건을 기초로 스킵 모델을 이용하여 벌크 디코딩(457)을 수행할지 여부를 판단할 수 있다. 언어 처리 장치(100)는 메인 디코더(443)로부터 생성된 토큰을 다시 메인 디코더(443)에 입력하기 전에, 스킵 모델(445) 내에 생성된 토큰 다음으로 생성될 확률이 임계치 이상인 토큰 시퀀스가 있는지를 생성된 프리픽스 토큰을 기초로 확인할 수 있다.
여기서, 조건은 토큰 시퀀스(u, r, e)가 프리픽스 토큰(n, u, r, t)에 뒤따를 확률이 임계치 이상인 조건을 포함할 수 있다. 도 4를 참조하면 임계치는 1일수 있다. 이 경우에, 조건이 만족된다는 것은 프리픽스 토큰이 (n, u, r, t)로 결정된 경우 뒤따르는 토큰 시퀀스는 (u, r, e)로 유일하다는 것을 의미한다. 여기서, 토큰은 한 문자 단위이다.
시작 토큰인 <start>가 첫 번째 히든 노드에 입력되는 경우 "n"이 생성된다. 두 번째 히든 노드에 <start> 및 "n"이 입력되고 "u"가 생성된다. 세 번째 히든 노드에 <start>, "n" 및 "u"가 입력되고 "r"이 생성된다. 네 번째 히든 노드에 <start>, "n", "u" 및 "r"가 입력되고 "t"가 생성된다. 각 히든 노드에 토큰이 입력되기 전에 언어 처리 장치(100)는 사전(445)에서 임계치 이상의 확률에 대응하는 토큰 시퀀스가 존재하는지 확인한다. 여기서, n 번째 히든 노드라는 표현은 n 번째 토큰이 처리되는 히든 노드를 의미할 수 있다. 하나의 히든 노드가 반복적으로 사용될 수 있다.
프리픽스 토큰(n, u, r, t)에 대응되는 "nurture"의 확률이 임계치 이상인 경우, 다섯 번째 히든 노드 대신 스킵 모델(445)은 프리픽스 토큰(n, u, r, t)을 입력 받아 토큰 시퀀스(u, r, e)를 한번에 생성할 수 있다. 메인 디코더(443)는 t, u, r 및 e 순으로 토큰을 순차적으로 생성하지 않고 t 를 생성 후 스킵모델(445)가 생성한 u, r 및 e 를 입력으로 사용할 수 있다. 이와 같은 과정을 통해 메인 디코더(443)는 u, r 및 e에 대한 3번의 디코딩 과정을 생략하고 타겟 문장(455)를 생성할 수 있다.
위와 같이 디코딩 과정이 줄어드는 것에 덧붙여, 번역의 정확도 향상의 효과를 볼 수 있다. 각 문자 단위로 디코딩이 수행된다면 하나의 문자라도 틀리는 경우 정확도가 떨어지게 된다. 예를 들면, "nurture" 대신 "nurtuxe"가 생성될 수 있다. 일 실시예에 따른 언어 처리 장치(100)는 스킵 모델을 이용하여 "nurture"를 바로 생성하므로 "nurtuxe"와 같은 오류가 발생하지 않고 보다 높은 정확도를 달성할 수 있다.
도 5는 다른 실시예에 따른 스킵 모델과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
일 실시예에 따르면, 스킵 모델은 뉴럴 네트워크 기반의 서브 디코더(505)를 포함할 수 있다. 언어 처리 장치(100)는 토큰 시퀀스를 생성하는 난이도가 임계치 이하일 것을 조건으로 메인 디코더 보다 빠르게 토큰 시퀀스를 생성할 수 있는 서브 디코더(505)를 이용하여 토큰 시퀀스를 한번에 생성할 수 있다.
비순환형 뉴럴 네트워크 기반의 인코더(511)는 "키우고 베풀어 주신 어머니"와 같은 순차적 데이터인 소스 문장(501)을 입력 받을 수 있다. 인코더(511)는 소스 문장(501)으로부터 문맥 정보(513)를 생성할 수 있다. 인코더(511)는 비순환형 뉴럴 네트워크이기 때문에 각 히든 노드의 히든 스테이트는 다음 히든 노드의 입력으로 전달되지 않는다. 따라서, 인코딩 과정은 "키우고 베풀어 주신 어머니"의 각 토큰 별로 순차적으로 수행될 필요 없이 소스 문장(501)에 대하여 한번에 수행될 수 있다.
비순환형 네트워크 기반의 메인 디코더(503)는 문맥 정보(513)로부터 "nurture and ..."와 같은 타겟 문장(515)를 생성할 수 있다. 타겟 문장의 각 토큰은 미리 알려진 상태가 아니므로, 디코딩 과정은 문맥 정보(513)의 각 토큰 별로 순차적으로 수행된다.
다른 실시예에 따르면, 언어 처리 장치(100)는 미리 설정된 조건을 기초로 스킵 모델을 이용하여 벌크 디코딩을 수행할지 여부를 판단할 수 있다. 언어 처리 장치(100)는 메인 디코더(515)로부터 생성된 토큰을 다시 메인 디코더(515)에 입력하기 전에 생성된 프리픽스 토큰을 기초로 생성 난이도가 임계치 이하인 다음으로 생성될 토큰 시퀀스가 있는지 확인할 수 있다.
시작 토큰인 <start>가 첫 번째 히든 노드에 입력되는 경우 "n"이 생성된다. 일례로, 언어 처리 장치(100)는 생성된 토큰 "n"을 다시 메인 디코더(515)에 입력하기 전에 "n"에 뒤따라 생성될 토큰 시퀀스의 생성 난이도가 임계치 이하인 것을 확인할 수 있다. 메인 디코더(515)의 두 번째 히든 노드에 <start> 및 "n"을 입력하는 대신, 언어 처리 장치(100)는 서브 디코더(505)를 이용하여 디코딩을 수행할 수 있다. 서브 디코더(505)는 메인 디코더(515)에 비해 타겟 문장을 생성하는 속도가 더 빠를 수 있다.
서브 디코더(505)의 첫 번째 히든 노드에 "n"이 입력되고 "u"가 생성된다. 두 번째 히든 노드에 "n" 및 "u"가 입력되고 "r"이 생성된다. 세 번째 히든 노드에 "n", "u" 및 "r"가 입력되고 "t"가 생성된다. 네 번째 히든 노드에 "n", "u", "r" 및 "t"가 입력되고 "u"가 생성된다. 다섯 번째 히든 노드에 "n", "u", "r", "t" 및 "u"가 입력되고 "r"이 생성된다. 여섯 번째 히든 노드에 "n", "u", "r", "t", "u" 및 "r"이 입력되고 "e"가 생성된다. 서브 디코더(505)는 "nurture"를 메인 디코더(503)보다 빠르게 생성할 수 있다.
"nurture"는 메인 디코더(503)에 입력될 수 있다. 언어 처리 장치(100)는 생성된 토큰 시퀀스 "nurture"을 메인 디코더(503)에 입력하기 전에 "nurture"에 뒤따라 생성될 토큰 시퀀스의 생성 난이도가 임계치보다 큰 것을 확인할 수 있다. 서브 디코더(505) 대신 메인 디코더(503)는 "a"를 생성할 수 있다.
언어 처리 장치(100)는 생성된 토큰 시퀀스 "nurture a"을 메인 디코더(515)에 입력하기 전에 "nurture a"에 뒤따라 생성될 토큰 시퀀스의 생성 난이도가 임계치 이하인 것을 확인할 수 있다. 언어 처리 장치(100)는 서브 디코더(505)를 이용하여 디코딩을 수행할 수 있다.
서브 디코더(505)의 첫 번째 히든 노드에 "a"가 입력되고 "n"이 생성된다. 두 번째 히든 노드에 "a" 및 "n"이 입력되고 "d"가 생성된다. 서브 디코더(505)는 토큰 시퀀스(519)인 "and"를 메인 디코더(503)보다 빠르게 생성할 수 있다.
도 6a는 일 실시예에 따른 빔 서치 알고리즘과 함께 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
언어 처리 장치(100)는 복수의 빔을 유지하면서 각 빔 별로 언어 처리 과정을 수행할 수 있다. 언어 처리 장치(100)는 복수의 언어 처리 과정을 진행함으로써 후보 문장의 다양성을 높일 수 있고, 정확도가 높은 타겟 문장을 생성할 수 있다.
일 실시예에 따르면, 언어 처리 장치(100)는 미리 설정된 개수의 빔 노드(beam node) 별로 프리픽스 토큰을 생성하고, 빔 노드 별로 스킵 모델을 이용하여 토큰 시퀀스를 생성할 수 있다. 일 실시예에 따르면, 언어 처리 장치(100)는 빔 노드 별로 획득된 프리픽스 토큰 및 토큰 시퀀스를 포함하는 후보 문장 중에서 타겟 문장을 결정할 수 있다.
예를 들어, 언어 처리 장치(100)는 소스 문장(611)인 "귀하의 직무발명이 출원되었음을 알려드립니다."를 인코더(601)에 입력할 수 있다. 인코더(601)는 소스 문장(611)의 정보를 나타내는 벡터인 [-1.424, 0.234, ..., 1.523, -0.02345]를 문맥 정보(613)로서 생성할 수 있다.
예를 들어, 메인 디코더(603)는 2개의 빔(615, 617) 각각에 대하여 문맥 정보(613)를 입력 받아 각 빔 별로 복수의 후보 문장을 생성할 수 있다. 언어 처리 장치(100)는 일정한 횟수마다 빔(615, 617)에서 생성된 복수의 미완성의 후보 문장 각각의 확률을 계산하고, 확률이 가장 높은 2 개의 후보 문장을 선택하여 2개의 빔 각각에 할당할 수 있다. 언어 처리 장치(100)는 각 빔 별로 선택된 후보 문장에 뒤따르는 토큰이 결합된 복수의 후보 문장을 생성할 수 있다. 언어 처리 장치(100)는 최종 타겟 문장을 출력할 때까지 이러한 과정을 반복할 수 있다.
메인 디코더(603)는 각 빔 별로 매 토큰마다 미리 설정된 조건을 만족하는지를 판단할 수 있다. 스킵 모델이 사전인 경우, 미리 설정된 조건은 프리픽스 토큰이 y1, ..., yt-1인 경우 토큰 시퀀스가 yt일 확률이 X이상인 조건일 수 있다. 빔(617)에서 "We inform y"가 프리픽스 토큰일 경우 토큰 시퀀스가 "you"일 확률이 X이상인 경우, you가 한번에 생성될 수 있다.
도 6b는 일 실시예에 따른 빔 서치 알고리즘과 함께 사전의 스킵 모델 및 비순환형 뉴럴 네트워크를 이용한 언어 처리 과정을 도시한 도면이다.
언어 처리 장치(100)는 인코더(621)를 이용하여 소스 문장(631)인 "키우고 베풀어 주신 어머니"를 입력 받을 수 있다. 인코더(621)는 소스 문장(631)을 맥락 정보(633)으로 변환할 수 있다.
언어 처리 장치(100)는 2 개의 빔(623, 625) 각각에 대하여 언어 처리 과정을 수행할 수 있다. 언어 처리 장치(100)는 2 개의 빔 각각에 대하여 맥락 정보(633)로부터 후보 문장(635, 637)을 생성할 수 있다. 언어 처리 장치(100)는 스킵 모델을 이용하여 후보 문장(635, 637)을 생성하는 시간을 단축할 수 있다.
예를 들어, 언어 처리 장치(100)는 빔 1(623)에서 프리픽스 토큰이 n, u, r인 경우 뒤따르는 토큰 시퀀스가 s, e일 확률인 0.6이 설정된 임계치 0.09 이상인 조건을 만족하므로 토큰 시퀀스를 한번에 생성할 수 있다. 언어 처리 장치(100)는 빔 2(625)에서 프리픽스 토큰이 n, u, r인 경우 뒤따르는 토큰 시퀀스가 t, u, r, e일 확률인 0.1이 임계치 0.09 이상인 조건을 만족하므로 토큰 시퀀스를 한번에 생성할 수 있다.
언어 처리 장치(100)는 사전(641)을 이용하여 "nurse"의 초기 두 토큰의 확률이 0.2, 0.4임을 알 수 있다. 언어 처리 장치(100)는 사전(641)을 이용하여 "nurture"의 초기 두 토큰의 확률이 0.03, 0.06임을 알 수 있다. 만일 하나의 빔에서만 언어 처리 과정이 수행된다면 "nurse"의 초기 두 토큰의 확률이 높기 때문에 "nurse"만이 후보 문장으로 생성될 것이다.
하지만, 언어 처리 장치(100)는 빔 테이블(643)을 이용하여 둘 이상의 빔을 유지하면서 언어 처리 과정을 수행할 수 있다. 언어 처리 장치(100)는 "nurse"와 "nurture"를 각각의 빔에 유지하면서 언어 처리 과정을 수행할 수 있다. 언어 처리 장치(100)는 최종적으로 "nurse"의 확률이 0.02이고 "nurture"의 확률이 0.72임을 알 수 있다. 만일, 3개의 빔이 존재한다면, 언어 처리 장치(100)는 "nurt"의 확률이 0.63임을 알 수 있다.
언어 처리 장치(100)는 "nurture"의 최종 확률이 가장 높음을 알 수 있다. 이처럼, 언어 처리 장치(100)는 복수의 언어 처리 과정을 진행함으로써 정답일 확률이 보다 높은 타겟 문장을 생성할 수 있다.
도 6c는 일 실시예에 따른 빔 서치 알고리즘을 이용한 언어 처리 결과를 도시한 도면이다.
도 6c를 참조하면, 언어 처리 장치(100)는 미완성의 후보 문장을 복수 개 유지함으로써 최종적으로 가장 확률이 높은 후보 문장을 타겟 문장으로 결정할 수 있다.
예를 들어, 소스 문장(650)인 "키우고 베풀어 주신 어머니"에 대한 맥락 정보가 디코더에 입력되는 경우, 4개의 빔 각각에 대하여 디코딩 과정이 진행될 수 있다. 첫 번째 토큰 테이블(651)에서 토큰 "N"이 가장 높은 확률인 0.78를 가지지만 4개의 빔이 유지되므로 확률이 가장 높은 상위 4개의 N, R, G 및 Y가 토큰 테이블(651)에 저장될 수 있다. 이후, 네 번째 토큰 테이블(653)에서 미완성의 후보 문장인 "Rais"가 가장 높은 확률인 0.74를 가진다.
만일 네 번째 토큰 테이블(653)에 대하여 하나의 빔이 유지되는 경우, 다섯 번째 토큰 테이블(657)과 같이 "Rais"만 프리픽스 토큰으로 이용될 수 있다. 반면에, 4개의 빔이 모두 유지되는 경우, 다섯 번째 토큰 테이블(655)와 같이 "Rais", "Nurt", "Grow" 및 "You M"가 모두 프리픽스 토큰으로 이용될 수 있다.
최종 확률을 고려할 때, 다섯 번째 토큰 테이블(655)에서 가장 높은 확률은 0.85로 "Nurture"가 생성될 수 있다. 반면에, 다섯 번째 토큰 테이블(657)에 의하면 가장 높은 확률은 0.74로 "Raise"가 생성될 수 있다. 토큰 테이블에 다양한(서로 비슷하지 않은) 표현을 가질수록 최종 적으로 높은 정확도의 타겟 문장을 생성해 낼 가능성이 높아지기에 이처럼, 일 실시예에 따른 언어 처리 장치(100)는 빔 서치 알고리즘(beam search algorism)을 이용함으로써 보다 정확한 타겟 문장을 출력할 수 있다.
도 7은 일 실시예에 따른 언어 처리 장치의 세부 구성을 도시한 도면이다.
일 실시예에 따르면, 언어 처리 장치(700)는 적어도 하나의 프로세서(701), 뉴럴 네트워크 기반의 인코더(703), 뉴럴 네트워크 기반의 메인 디코더(705) 및 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하는 스킵 모델(707)을 포함한다. 언어 처리 장치(700)는 I/O 인터페이스(709)를 더 포함할 수 있다. 인코더(703) 및 메인 디코더(705)는 비순환형 뉴럴 네트워크일 수 있다.
프로세서(701)는 인코더(703)를 이용하여 소스 문장으로부터 문맥 정보를 생성한다. 인코더(703)가 비순환형 뉴럴 네트워크인 경우, 프로세서(701)는 소스 문장을 병렬적으로 인코딩하여 문맥 정보를 생성할 수 있다.
프로세서(701)는 메인 디코더(705)를 이용하여 문맥 정보로부터 프리픽스 토큰을 생성한다. 메인 디코더(705)가 비순환형 뉴럴 네트워크라고 하더라도, 타겟 문장이 미리 알려져 있지 않기 때문에 각 토큰은 순차적으로 생성될 수 있다.
프로세서(701)는 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 스킵 모델(707)을 이용하여 프리픽스 토큰에 뒤따르는 토큰 시퀀스를 생성한다. 스킵 모델(707)은 복수의 단어를 철자 순서로 정렬한 사전을 포함할 수 있다. 스킵 모델(707)은 뉴럴 네트워크 기반의 서브 디코더를 포함할 수 있다. 복수의 토큰을 포함하는 토큰 시퀀스가 한번에 생성됨으로써 디코딩 횟수가 감소될 수 있다. 프로세서(701)는 프리픽스 토큰 및 토큰 시퀀스가 결합된 타겟 문장을 출력한다.
프로세서(701)는 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 메인 디코더(705)를 이용하여 프리픽스 토큰에 뒤따르는 토큰을 생성할 수 있다. 이 경우, 스킵 모델(707)이 없는 경우의 비순환형 뉴럴 네트워크 기반의 디코더에 의해 디코딩되는 것과 같은 결과가 생성될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (18)

  1. 언어 처리 장치의 프로세서에 의해 수행되는, 뉴럴 네트워크(neural network, NN)를 이용한 언어 처리 방법에 있어서,
    뉴럴 네트워크 기반의 인코더(encoder)를 이용하여 소스 문장으로부터 문맥 정보를 획득하는 단계;
    뉴럴 네트워크 기반의 메인 디코더(main decoder)를 이용하여 상기 문맥 정보로부터 프리픽스 토큰(prefix token)을 생성하는 단계;
    상기 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 스킵 모델(skip model)을 이용하여 상기 프리픽스 토큰에 뒤따르는 둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하는 단계; 및
    상기 프리픽스 토큰 및 상기 토큰 시퀀스가 결합된 타겟 문장을 출력하는 단계
    를 포함하는, 언어 처리 방법.
  2. 제1항에 있어서,
    상기 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 상기 메인 디코더를 이용하여 상기 프리픽스 토큰에 뒤따르는 토큰을 생성하는 단계를 더 포함하는,
    언어 처리 방법.
  3. 제1항에 있어서,
    상기 스킵 모델은 복수의 단어를 철자 순서로 정렬한 사전을 포함하는, 언어 처리 방법.
  4. 제3항에 있어서,
    상기 조건은 상기 토큰 시퀀스가 상기 프리픽스 토큰에 뒤따를 확률이 임계치 이상인 조건을 포함하는,
    언어 처리 방법.
  5. 제1항에 있어서,
    상기 스킵 모델은 뉴럴 네트워크 기반의 서브 디코더(sub decoder)를 포함하는, 언어 처리 방법.
  6. 제5항에 있어서,
    상기 조건은 상기 토큰 시퀀스를 생성하는 난이도가 임계치 이하인 조건을 포함하는,
    언어 처리 방법.
  7. 제1항에 있어서,
    상기 프리픽스 토큰을 생성하는 단계는, 미리 설정된 개수의 빔 노드(beam node) 별로 프리픽스 토큰을 생성하고,
    상기 토큰 시퀀스를 생성하는 단계는, 상기 미리 설정된 개수의 빔 노드 별로 상기 스킵 모델을 이용하여 상기 토큰 시퀀스를 생성하는,
    언어 처리 방법.
  8. 제7항에 있어서,
    상기 타겟 문장을 출력하는 단계는,
    상기 빔 노드 별로 획득된 상기 프리픽스 토큰 및 상기 토큰 시퀀스를 포함하는 후보 문장 중에서 타겟 문장을 결정하는,
    언어 처리 방법.
  9. 제1항에 있어서,
    상기 메인 디코더는 제1 히든 노드와 제2 히든 노드를 포함하고, 상기 제1 히든 노드는 상기 프리픽스 토큰을 입력 받아 상기 스킵 모델을 이용하여 상기 토큰 시퀀스를 생성하고, 상기 제2 히든 노드는 상기 프리픽스 토큰과 상기 토큰 시퀀스를 입력 받는,
    언어 처리 방법.
  10. 제5항에 있어서,
    상기 서브 디코더는 제3 히든 노드와 제4 히든 노드를 포함하고, 상기 제3 히든 노드는 상기 프리픽스 토큰을 입력 받아 상기 토큰 시퀀스를 생성하고, 상기 제4 히든 노드는 상기 프리픽스 토큰과 상기 토큰 시퀀스를 입력 받는,
    언어 처리 방법.
  11. 제1항에 있어서,
    상기 토큰은 문자, 단어 또는 문장을 포함하는, 언어 처리 방법.
  12. 제1항에 있어서,
    상기 타겟 문장은 상기 소스 문장의 번역 결과에 대응되는, 언어 처리 방법.
  13. 제1항에 있어서,
    상기 타겟 문장은 상기 소스 문장에 대응되는 자연어 생성의 결과인, 언어 처리 방법.
  14. 컴퓨팅 하드웨어가 제1항 내지 제13항 중 어느 하나의 항의 방법을 실행하도록 하는 인스트럭션들을 저장하는 비일시적인(non-transitory) 컴퓨터 판독 가능한 저장 매체.
  15. 적어도 하나의 프로세서;
    뉴럴 네트워크 기반의 인코더;
    뉴럴 네트워크 기반의 메인 디코더; 및
    둘 이상의 연속하는 토큰을 포함하는 토큰 시퀀스를 생성하는 스킵 모델을 포함하고,
    상기 프로세서는,
    상기 인코더를 이용하여 소스 문장으로부터 문맥 정보를 생성하고,
    상기 메인 디코더를 이용하여 상기 문맥 정보로부터 프리픽스 토큰을 생성하고,
    상기 프리픽스 토큰이 미리 설정된 조건을 만족하는 경우, 스킵 모델을 이용하여 상기 프리픽스 토큰에 뒤따르는 상기 토큰 시퀀스를 생성하고,
    상기 프리픽스 토큰 및 상기 토큰 시퀀스가 결합된 타겟 문장을 출력하는
    언어 처리 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 프리픽스 토큰이 미리 설정된 조건을 만족하지 못하는 경우, 상기 메인 디코더를 이용하여 상기 프리픽스 토큰에 뒤따르는 토큰을 생성하는,
    언어 처리 장치.
  17. 제15항에 있어서,
    상기 스킵 모델은 복수의 단어를 철자 순서로 정렬한 사전을 포함하는, 언어 처리 장치.
  18. 제15항에 있어서,
    상기 스킵 모델은 뉴럴 네트워크 기반의 서브 디코더를 포함하는, 언어 처리 장치.
KR1020170165397A 2017-12-04 2017-12-04 언어 처리 방법 및 장치 KR102424514B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020170165397A KR102424514B1 (ko) 2017-12-04 2017-12-04 언어 처리 방법 및 장치
CN201810522423.8A CN109871529B (zh) 2017-12-04 2018-05-28 语言处理方法和设备
US16/108,717 US11017777B2 (en) 2017-12-04 2018-08-22 Language processing method and apparatus
JP2018201883A JP7171367B2 (ja) 2017-12-04 2018-10-26 言語処理方法及び装置
EP18207882.4A EP3493119B1 (en) 2017-12-04 2018-11-22 Language processing method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170165397A KR102424514B1 (ko) 2017-12-04 2017-12-04 언어 처리 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190065842A KR20190065842A (ko) 2019-06-12
KR102424514B1 true KR102424514B1 (ko) 2022-07-25

Family

ID=64453415

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170165397A KR102424514B1 (ko) 2017-12-04 2017-12-04 언어 처리 방법 및 장치

Country Status (5)

Country Link
US (1) US11017777B2 (ko)
EP (1) EP3493119B1 (ko)
JP (1) JP7171367B2 (ko)
KR (1) KR102424514B1 (ko)
CN (1) CN109871529B (ko)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018195459A1 (en) 2017-04-20 2018-10-25 Google Llc Processing sequential data using recurrent neural networks
US11449762B2 (en) 2018-02-20 2022-09-20 Pearson Education, Inc. Real time development of auto scoring essay models for custom created prompts
US11817014B2 (en) * 2018-02-20 2023-11-14 Pearson Education, Inc. Systems and methods for interface-based automated custom authored prompt evaluation
US10929607B2 (en) * 2018-02-22 2021-02-23 Salesforce.Com, Inc. Dialogue state tracking using a global-local encoder
KR102025566B1 (ko) * 2018-07-27 2019-09-26 엘지전자 주식회사 인공지능을 이용한 홈어플라이언스 및 음성 인식 서버 시스템과, 이의 제어 방법
US11270084B2 (en) * 2018-10-12 2022-03-08 Johnson Controls Tyco IP Holdings LLP Systems and methods for using trigger words to generate human-like responses in virtual assistants
CN109543195B (zh) * 2018-11-19 2022-04-12 腾讯科技（深圳）有限公司 一种文本翻译的方法、信息处理的方法以及装置
US11393487B2 (en) * 2019-03-28 2022-07-19 Samsung Electronics Co., Ltd. System and method for acoustic echo cancelation using deep multitask recurrent neural networks
CN111988609B (zh) * 2019-05-22 2024-07-16 富士通株式会社 图像编码装置、概率模型生成装置和图像解码装置
CN110489762B (zh) * 2019-06-26 2023-07-04 中译语通科技股份有限公司 基于神经网络机器翻译的术语翻译方法、存储介质和装置
US11126797B2 (en) * 2019-07-02 2021-09-21 Spectrum Labs, Inc. Toxic vector mapping across languages
US20220391675A1 (en) * 2019-07-03 2022-12-08 Honda Motor Co., Ltd. Sensor fusion
CN110503940B (zh) * 2019-07-12 2021-08-31 中国科学院自动化研究所 语音增强方法、装置、存储介质、电子设备
CN112242959B (zh) * 2019-07-16 2022-10-14 中国移动通信集团浙江有限公司 微服务限流控制方法、装置、设备及计算机存储介质
CN110570838B (zh) * 2019-08-02 2022-06-07 北京葡萄智学科技有限公司 语音流处理方法和装置
CN112509570B (zh) * 2019-08-29 2024-02-13 北京猎户星空科技有限公司 语音信号处理方法、装置、电子设备及存储介质
CN110543644B (zh) * 2019-09-04 2023-08-29 语联网（武汉）信息技术有限公司 包含术语翻译的机器翻译方法、装置与电子设备
CN110610700B (zh) * 2019-10-16 2022-01-14 科大讯飞股份有限公司 解码网络构建方法、语音识别方法、装置、设备及存储介质
CN111063365B (zh) * 2019-12-13 2022-06-07 北京搜狗科技发展有限公司 一种语音处理方法、装置和电子设备
CN111209740B (zh) * 2019-12-31 2023-08-15 中移（杭州）信息技术有限公司 文本模型训练方法、文本纠错方法、电子设备及存储介质
CN113205795A (zh) * 2020-01-15 2021-08-03 普天信息技术有限公司 多语种混说语音的语种识别方法及装置
CN111310449B (zh) * 2020-01-23 2021-01-26 北京百度网讯科技有限公司 基于语义表示的文本生成方法和装置
CN111767987B (zh) * 2020-06-28 2024-02-20 北京百度网讯科技有限公司 基于循环神经网络的数据处理方法、装置和设备
WO2022015798A1 (en) * 2020-07-14 2022-01-20 Thomson Reuters Enterprise Centre Gmbh Systems and methods for the automatic categorization of text
CN111862956B (zh) * 2020-07-27 2022-07-12 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备及存储介质
CN111984783B (zh) * 2020-08-28 2024-04-02 达闼机器人股份有限公司 文本生成模型的训练方法、文本生成方法及相关设备
CN112270316B (zh) * 2020-09-23 2023-06-20 北京旷视科技有限公司 文字识别、文字识别模型的训练方法、装置和电子设备
US11875141B2 (en) * 2020-11-20 2024-01-16 Infosys Limited System and method for training a neural machine translation model
US20220229994A1 (en) * 2021-01-21 2022-07-21 Servicenow, Inc. Operational modeling and optimization system for a natural language understanding (nlu) framework
KR102673273B1 (ko) * 2021-05-03 2024-06-05 삼성생명보험주식회사 텍스트 교정 방법 및 장치
KR102710087B1 (ko) * 2021-07-27 2024-09-25 네이버 주식회사 언어 모델을 이용한 데이터 생성 방법, 컴퓨터 장치, 및 컴퓨터 프로그램
CN114898754B (zh) * 2022-07-07 2022-09-30 北京百度网讯科技有限公司 解码图生成、语音识别方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030236099A1 (en) 2002-06-20 2003-12-25 Deisher Michael E. Speech recognition of mobile devices
KR101599826B1 (ko) 2010-11-10 2016-03-07 뉘앙스 커뮤니케이션즈, 인코포레이티드 공유된 말뭉치의 검색에 의해 보충되는 단어 예측, 완성, 또는 수정이 가능한 텍스트 기입

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5809461A (en) 1992-03-30 1998-09-15 Seiko Epson Corporation Speech recognition apparatus using neural network and learning method therefor
US5835888A (en) * 1996-06-10 1998-11-10 International Business Machines Corporation Statistical language model for inflected languages
US6408272B1 (en) 1999-04-12 2002-06-18 General Magic, Inc. Distributed voice user interface
US7451085B2 (en) 2000-10-13 2008-11-11 At&T Intellectual Property Ii, L.P. System and method for providing a compensated speech recognition model for speech recognition
WO2004057573A1 (en) 2002-12-23 2004-07-08 Loquendo S.P.A. Method of optimising the execution of a neural network in a speech recognition system through conditionally skipping a variable number of frames
JP2004280467A (ja) 2003-03-14 2004-10-07 Nippon Hoso Kyokai <Nhk> 翻訳装置、翻訳方法、及びそのプログラム
JP2005063030A (ja) * 2003-08-08 2005-03-10 Ricoh Co Ltd 概念表現方法、概念表現生成方法及び概念表現生成装置並びに該方法を実現するプログラム及び該プログラムが記録された記録媒体
WO2005111824A2 (en) * 2004-05-19 2005-11-24 Silverkite Inc. Method and system for processing of text content
US7904298B2 (en) * 2006-11-17 2011-03-08 Rao Ashwin P Predictive speech-to-text input
US8914278B2 (en) * 2007-08-01 2014-12-16 Ginger Software, Inc. Automatic context sensitive language correction and enhancement using an internet corpus
US8478578B2 (en) 2008-01-09 2013-07-02 Fluential, Llc Mobile speech-to-speech interpretation system
EP2661705A4 (en) 2011-01-05 2016-06-01 Google Inc METHOD AND SYSTEM FOR FACILITATING TEXT INPUT
US8898065B2 (en) 2011-01-07 2014-11-25 Nuance Communications, Inc. Configurable speech recognition system using multiple recognizers
TWI590649B (zh) * 2011-11-08 2017-07-01 三星電子股份有限公司 視訊之算術解碼裝置
US8700552B2 (en) 2011-11-28 2014-04-15 Microsoft Corporation Exploiting sparseness in training deep neural networks
US9584802B2 (en) * 2012-04-13 2017-02-28 Texas Instruments Incorporated Reducing context coded and bypass coded bins to improve context adaptive binary arithmetic coding (CABAC) throughput
KR101609184B1 (ko) 2014-05-27 2016-04-06 네이버 주식회사 사전 기능을 제공하는 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템
KR102239714B1 (ko) * 2014-07-24 2021-04-13 삼성전자주식회사 신경망 학습 방법 및 장치, 데이터 처리 장치
WO2016065327A1 (en) 2014-10-24 2016-04-28 Google Inc. Neural machine translation systems with rare word processing
KR102305584B1 (ko) * 2015-01-19 2021-09-27 삼성전자주식회사 언어 모델 학습 방법 및 장치, 언어 인식 방법 및 장치
CN106156010B (zh) 2015-04-20 2019-10-11 阿里巴巴集团控股有限公司 翻译训练方法、装置、系统、以及在线翻译方法及装置
US9779085B2 (en) * 2015-05-29 2017-10-03 Oracle International Corporation Multilingual embeddings for natural language processing
US10019438B2 (en) 2016-03-18 2018-07-10 International Business Machines Corporation External word embedding neural network language models
US9858263B2 (en) * 2016-05-05 2018-01-02 Conduent Business Services, Llc Semantic parsing using deep neural networks for predicting canonical forms
US11238348B2 (en) 2016-05-06 2022-02-01 Ebay Inc. Using meta-information in neural machine translation
CN106126507B (zh) * 2016-06-22 2019-08-09 哈尔滨工业大学深圳研究生院 一种基于字符编码的深度神经翻译方法及系统
US11080591B2 (en) * 2016-09-06 2021-08-03 Deepmind Technologies Limited Processing sequences using convolutional neural networks
KR102342066B1 (ko) * 2017-06-21 2021-12-22 삼성전자주식회사 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030236099A1 (en) 2002-06-20 2003-12-25 Deisher Michael E. Speech recognition of mobile devices
KR101599826B1 (ko) 2010-11-10 2016-03-07 뉘앙스 커뮤니케이션즈, 인코포레이티드 공유된 말뭉치의 검색에 의해 보충되는 단어 예측, 완성, 또는 수정이 가능한 텍스트 기입

Also Published As

Publication number Publication date
CN109871529B (zh) 2023-10-31
EP3493119B1 (en) 2024-09-25
US11017777B2 (en) 2021-05-25
CN109871529A (zh) 2019-06-11
US20190172466A1 (en) 2019-06-06
KR20190065842A (ko) 2019-06-12
JP2019102067A (ja) 2019-06-24
EP3493119A1 (en) 2019-06-05
JP7171367B2 (ja) 2022-11-15

Similar Documents

Publication Publication Date Title
KR102424514B1 (ko) 언어 처리 방법 및 장치
KR102565275B1 (ko) 병렬 처리에 기초한 번역 방법 및 장치
KR102167719B1 (ko) 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
US11222252B2 (en) Generating representations of input sequences using neural networks
KR102382499B1 (ko) 번역 방법, 타깃 정보 결정 방법, 관련 장치 및 저장 매체
KR102589637B1 (ko) 기계 번역 방법 및 장치
KR102323548B1 (ko) 신경 기계 번역 시스템
CN110110337B (zh) 翻译模型训练方法、介质、装置和计算设备
JP7079311B2 (ja) 機械読解モデルのトレーニング方法、装置、電子機器及び記憶媒体
CN108090218B (zh) 基于深度强化学习的对话系统生成方法和装置
CN116884391B (zh) 基于扩散模型的多模态融合音频生成方法及装置
KR102315830B1 (ko) 반지도 학습 기반 단어 단위 감정 임베딩과 lstm 모델을 이용한 대화 내에서 발화의 감정 분류 방법
CN111326168A (zh) 语音分离方法、装置、电子设备和存储介质
KR20200075615A (ko) 기계 번역 방법 및 장치
KR20200056001A (ko) 인공신경망에서의 디코딩 방법 및 그 장치
WO2019167794A1 (ja) 学習品質推定装置、方法、及びプログラム
KR102215286B1 (ko) 문서 이해에 기반한 문장 생성 챗봇 서비스 제공 방법 및 장치
JP2020042257A (ja) 音声認識方法及び装置
KR20220040050A (ko) 자연어 처리 모델 트레이닝 방법 및 장치와 컴퓨팅 장치
KR20210044559A (ko) 출력 토큰 결정 방법 및 장치
KR102292921B1 (ko) 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
JP2020057357A (ja) 神経網の動作方法と学習方法及びその神経網
KR20200117826A (ko) 음성 인식 방법 및 장치
CN115346520A (zh) 语音识别的方法、装置、电子设备和介质
KR20240035117A (ko) 자연어 문장 처리 방법 및 이를 위한 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant