KR102120751B1

KR102120751B1 - Method and computer readable recording medium for providing answers based on hybrid hierarchical conversation flow model with conversation management model using machine learning

Info

Publication number: KR102120751B1
Application number: KR1020180071177A
Authority: KR
Inventors: 장세영; 설재호
Original assignee: 주식회사 머니브레인
Priority date: 2018-06-21
Filing date: 2018-06-21
Publication date: 2020-06-10
Anticipated expiration: 2038-06-21
Also published as: KR20190143583A

Abstract

대화 이해 AI 서비스 서버에 의하여 수행되는, 머신러닝을 대화 관리 기술에 적용한 하이브리드 계층적 대화 흐름 모델을 기초로 답변을 제공하는 방법이 제공된다. 본 개시의 방법은 하이브리드 계층적 대화 흐름 모델을 생성하는 단계; 사용자 단말로부터 사용자의 자연어 입력을 수신하는 단계; 수신된 자연어 입력에 대응하는 상기 사용자의 인텐트를 결정하는 단계; 하이브리드 계층적 대화 흐름 모델 상의 현재 인텐트 그룹을 결정하는 단계; 상기 현재 인텐트 그룹 및 상기 현재 인텐트 그룹의 하위 인텐트 그룹 각각에 대해 상기 사용자의 인텐트의 매칭률을 계산하는 단계; 가장 높은 매칭률이 소정의 임계 값을 초과하는지 판정하는 단계; 상기 가장 높은 매칭률이 소정의 임계값을 초과하는 경우, 가장 높은 매칭률을 가지는 현재 인텐트 그룹에서 사용자 입력에 대한 답변을 선택하는 단계; 및 상기 가장 높은 매칭률이 소정의 임계값 이하인 경우, 딥러닝 모드로 전환하여 사용자 입력에 대한 답변을 선택하는 단계를 포함할 수 있다.Conversation Understanding A method is provided for providing answers based on a hybrid hierarchical conversation flow model that applies machine learning to conversation management technology performed by an AI service server. The method of the present disclosure includes generating a hybrid hierarchical dialogue flow model; Receiving a user's natural language input from a user terminal; Determining an intent of the user corresponding to the received natural language input; Determining a current intent group on the hybrid hierarchical conversation flow model; Calculating a matching rate of the intent of the user for each of the current intent group and a lower intent group of the current intent group; Determining whether the highest matching rate exceeds a predetermined threshold; When the highest matching rate exceeds a predetermined threshold, selecting an answer to the user input from the current intent group having the highest matching rate; And when the highest matching rate is below a predetermined threshold, switching to a deep learning mode and selecting an answer for a user input.

Description

METHOD AND COMPUTER READABLE RECORDING MEDIUM FOR PROVIDING ANSWERS BASED ON HYBRID HIERARCHICAL CONVERSATION FLOW MODEL WITH CONVERSATION MANAGEMENT MODEL USING MACHINE LEARNING}

본 개시는, 대화 이해 AI 시스템에 의한 고객 상담의 제공에 관한 것이며, 보다 구체적으로는 대화 이해 AI 시스템에 의해 대화 흐름 모델을 기초로 고객 상담의 제공 중에 머신러닝을 통해 상담을 제공할지 여부를 결정하고 그러한 결정에 따라 답변을 제공하는 방법(예컨대, 고객 상담 센터의 고객 상담 시 계층적 대화 흐름 모델을 기초로 답변을 제공하다가 적시에 전환하여 머신러닝 모델을 기초로 답변을 제공하는 방법) 등에 관한 것이다.The present disclosure relates to the provision of customer counseling by a conversational understanding AI system, and more specifically, it is determined whether to provide counseling through machine learning during the provision of customer counseling based on a conversation flow model by the conversational understanding AI system. And how to provide answers based on such a decision (for example, how to provide answers based on a hierarchical dialogue flow model when customer consultation at a customer service center, and then switch to timely to provide answers based on a machine learning model), etc. will be.

근래, 인공지능 분야, 특히 자연어 이해 분야의 기술 발전에 따라, 사용자에 의한 음성 및/또는 텍스트 형태의 자연어 입력을 수신 및 이해하고, 그에 따라 필요한 동작을 수행할 수 있는 대화 이해 AI 시스템의 개발 및 활용이 점차 늘어나고 있다. 한편, 최근, 각 기업이나 기관 등은 대부분 고객 상담 센터를 운영하는데, 이러한 고객 상담 센터를 위하여 대화 이해 AI 시스템이 구축되는 경우가 늘어나고 있다. Recently, with the development of technology in the field of artificial intelligence, especially natural language understanding, development and development of a dialogue understanding AI system capable of receiving and understanding speech and/or textual natural language input by a user and performing necessary actions accordingly. Utilization is gradually increasing. On the other hand, in recent years, each company or institution operates a customer counseling center, and conversation understanding AI systems are increasingly being built for such customer counseling centers.

대화 이해 AI 시스템이 대화 흐름 모델을 사용하는 경우, 준비된 상황에서 적절한 답변을 제시하는데 효율적인 반면, 고객의 질문이 대화 흐름을 벗어난 경우, 준비되지 않은 상황에서의 답변은 적절하지 않을 수 있는데, 이 경우에는 머신러닝(딥러닝 등)을 이용한 응답을 생성하는 것이 적절할 수 있다.Conversation Understanding While AI systems use a conversational flow model, it is efficient to present appropriate answers in a prepared situation, whereas when a customer's question leaves the conversational flow, answers in an unprepared situation may not be appropriate. It may be appropriate to generate a response using machine learning (such as deep learning).

대화 이해 AI 시스템에 의한 고객 상담의 제공은 고객 상담 센터 운용의 효율성을 개선할 수 있다. 고객 상담 중에 발생하는 고객의 질문 내용 등에 따라, 적절한 응답을 제공하기 위해서는 대화 이해 AI 시스템이 계층적 대화 흐름 모델을 사용하거나 머신러닝(딥 러닝 모드 등)을 이용하여 답변을 할 필요가 있다. 따라서, 대화 이해 AI 시스템에 의한 고객 상담의 진행 중에 계층적 대화 흐름 모델을 사용하여야 하는지 머신러닝 모델을 사용하여야 하는지를 여부를 결정하고 그러한 결정에 따라 적절한 시점에 해당 고객을 위한 이후 고객 상담의 제공에 관한 책임을 사람 상담 직원으로 전환하는 방법을 제공할 필요가 있다. Providing customer consultation by understanding the dialogue AI system can improve the efficiency of customer consultation center operation. In order to provide an appropriate response according to the content of the customer's question that arises during customer consultation, the AI system needs to respond using a hierarchical dialogue flow model or using machine learning (such as deep learning mode). Therefore, it is determined whether a hierarchical dialogue flow model or a machine learning model should be used during the customer consultation by the dialogue understanding AI system, and in accordance with such a decision, it is necessary to provide subsequent customer consultation for the customer at an appropriate time. There is a need to provide a way to shift responsibility for human counseling to human counseling.

본 개시의 일 특징에 의하면, 대화 이해 AI 서비스 서버에 의하여 수행되는, 머신러닝을 대화 관리 기술에 적용한 하이브리드 계층적 대화 흐름 모델을 기초로 답변을 제공하는 방법이 제공된다. 본 개시의 방법은, 상기 하이브리드 계층적 대화 흐름 모델을 생성하는 단계; 상기 사용자 단말로부터 사용자의 자연어 입력을 수신하는 단계; 상기 수신된 자연어 입력에 대응하는 상기 사용자의 인텐트를 결정하는 단계; 상기 하이브리드 계층적 대화 흐름 모델 상의 현재 인텐트 그룹을 결정하는 단계; 상기 현재 인텐트 그룹 및 상기 현재 인텐트 그룹의 하위 인텐트 그룹 각각에 대해 상기 사용자의 인텐트의 매칭률을 계산하는 단계; 가장 높은 매칭률이 소정의 임계 값을 초과하는지 판정하는 단계; 상기 가장 높은 매칭률이 소정의 임계값을 초과하는 경우, 가장 높은 매칭률을 가지는 현재 인텐트 그룹에서 사용자 입력에 대한 답변을 선택하는 단계; 및 상기 가장 높은 매칭률이 소정의 임계값 이하인 경우, 딥러닝 모드로 전환하여 사용자 입력에 대한 답변을 선택하는 단계를 포함할 수 있다. According to an aspect of the present disclosure, a method for providing an answer based on a hybrid hierarchical conversation flow model that applies machine learning to conversation management technology, which is performed by a conversation understanding AI service server, is provided. The method of the present disclosure includes generating the hybrid hierarchical conversation flow model; Receiving a user's natural language input from the user terminal; Determining an intent of the user corresponding to the received natural language input; Determining a current intent group on the hybrid hierarchical conversation flow model; Calculating a matching rate of the intent of the user for each of the current intent group and a lower intent group of the current intent group; Determining whether the highest matching rate exceeds a predetermined threshold; When the highest matching rate exceeds a predetermined threshold, selecting an answer to the user input from the current intent group having the highest matching rate; And when the highest matching rate is below a predetermined threshold, switching to a deep learning mode and selecting an answer for a user input.

본 개시의 일 실시예에 의하면, 상기 가장 높은 매칭률을 가지는 인텐트 그룹을 현재 인텐트 그룹으로 설정하는 단계를 더 포함할 수 있다. According to an embodiment of the present disclosure, the step of setting the intent group having the highest matching rate as the current intent group may be further included.

본 개시의 일 실시예에 의하면, 매칭률은 상기 계층적 대화 흐름 모델에서 현재 인텐트 그룹의 깊이(depth)에 따라 가중치가 부여될 수 있다. According to an embodiment of the present disclosure, the matching rate may be weighted according to the depth of the current intent group in the hierarchical dialogue flow model.

본 개시의 일 실시예에 의하면, 딥러닝 모드로 전환하여 사용자 입력에 대한 답변을 선택하는 단계는 딥러닝 기법을 통해 생성된 상기 사용자의 인텐트에 대한 답변 후보의 리스트와 딥러닝 방법에 의해 계산된 리스트 각각의 그 확률 값을 기초로 가장 확률 값이 높은 답변 후보를 답변으로 선택하는 단계를 포함할 수 있다. According to an embodiment of the present disclosure, the step of switching to a deep learning mode and selecting an answer for a user input is calculated by a list of candidates for answering the intent of the user generated through a deep learning technique and a deep learning method And selecting the answer candidate having the highest probability value as an answer based on the probability value of each of the list.

본 개시의 일 실시예에 의하면, 상기 확률은 통계적 방식 또는 신경망 방식에 기초하여 산출될 수 있다. According to an embodiment of the present disclosure, the probability may be calculated based on a statistical method or a neural network method.

본 개시의 일 실시예에 의하면, 상기 하이브리드 계층적 대화 흐름 모델을 생성하는 단계는 소정의 서비스 도메인에 관련된 복수의 대화 로그를 수집하는 단계 - 상기 서비스 도메인은 복수의 인텐트 그룹을 포함하고, 상기 대화 로그 각각은 복수의 발화 기록들을 포함함 -; 소정의 기준에 따라, 상기 발화 기록 각각을 상기 복수의 인텐트 그룹 중 하나의 인텐트 그룹으로 분류하는 단계; 상기 인텐트 그룹 각각에 대응하여, 각 대응 인텐트 그룹으로 분류된 상기 발화 기록들을 그룹핑하는 단계; 상기 대화 로그 각각 내에서의 상기 발화 기록들의 순차 흐름에 기초하여, 상기 인텐트 그룹들 간의 시계열적 순차 흐름의 확률적 분포를 획득하는 단계; 및 상기 획득된 상기 인텐트 그룹들 간의 시계열적 순차 흐름의 확률적 분포를 포함하도록, 상기 서비스에 관한 대화 흐름 관리 모델을 구축 또는 갱신하는 단계를 포함할 수 있다. According to an embodiment of the present disclosure, generating the hybrid hierarchical conversation flow model includes collecting a plurality of conversation logs related to a given service domain, wherein the service domain includes a plurality of intent groups, and the Each conversation log includes a plurality of utterance records -; Classifying each of the utterance records into one intent group among the plurality of intent groups according to predetermined criteria; Grouping the utterance records classified into each corresponding intent group, corresponding to each of the intent groups; Obtaining a probabilistic distribution of time-series sequential flows between the intent groups based on the sequential flows of the utterance records in each of the conversation logs; And constructing or updating a conversational flow management model for the service to include a probabilistic distribution of time-series sequential flows among the obtained intent groups.

본 개시의 일 실시예에 의하면, 상기 서비스에 관한 대화 흐름 관리 모델을 구성 또는 갱신하는 단계는, 상기 대화 흐름 관리 모델이 상기 인텐트 그룹 각각에 대응하여 그룹핑된 상기 발화 기록들을 포함하도록 할 수 있다. According to an embodiment of the present disclosure, configuring or updating a conversation flow management model for the service may cause the conversation flow management model to include the utterance records grouped corresponding to each of the intent groups. .

본 개시의 다른 특징에 의하면, 하나 이상의 명령어를 수록한 컴퓨터 판독가능 기록 매체로서, 상기 하나 이상의 명령어는, 실행될 경우, 컴퓨터 장치로 하여금, 전술한 방법들 중 어느 하나의 한 방법을 수행하도록 하는, 컴퓨터 판독가능 기록 매체가 제공된다.According to another feature of the present disclosure, as a computer-readable recording medium containing one or more instructions, the one or more instructions, when executed, cause the computer device to perform any one of the methods described above, A computer readable recording medium is provided.

본 개시의 실시예에 따른 방법 등은, 통상적인 고객 상담의 진행은 먼저 대화 이해 AI 시스템의 계층적 대화 흐름 관리 모델을 기초로 답변을 진행하고 고객의 질문 등에 따라 필요한 시점에 머신러닝을 이용하여 고객 상담을 진행하도록 함으로써, 고객에게 보다 적절한 응답을 제공할 수 있다.In the method according to the embodiment of the present disclosure, the normal customer consultation proceeds first by answering based on the hierarchical conversation flow management model of the conversation understanding AI system, and using machine learning at a necessary time according to the customer's question, etc. By conducting customer consultation, it is possible to provide a more appropriate response to the customer.

도 1은, 본 발명의 일 실시예에 따라, 대화형 AI 에이전트 시스템이 구현될 수 있는 시스템 환경을 개략적으로 도시한 도면이다.
도 2는, 본 발명의 일 실시예에 따른, 도 1의 사용자 단말(102)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 3은, 본 발명의 일 실시예에 따른, 도 1의 대화형 AI 에이전트 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다.
도 4는, 도 1의 대화 이해 AI 서비스 서버(106)에 의해 수행될 수 있는, 대화 이해 AI 서비스 서버(106)가 계층적 대화 흐름 모델을 머신러닝 모델로 전환하기 위한 예시적 동작 흐름을 보여주는 흐름도이다.1 is a diagram schematically showing a system environment in which an interactive AI agent system can be implemented according to an embodiment of the present invention.
2 is a functional block diagram schematically showing a functional configuration of the user terminal 102 of FIG. 1 according to an embodiment of the present invention.
FIG. 3 is a functional block diagram schematically showing the functional configuration of the interactive AI agent server 106 of FIG. 1 according to an embodiment of the present invention.
4 shows an exemplary operation flow for the conversation understanding AI service server 106 to convert the hierarchical conversation flow model into a machine learning model, which may be performed by the conversation understanding AI service server 106 of FIG. 1. It is a flow chart.

이하, 첨부 도면을 참조하여 본 개시의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 개시의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 개시의 일 실시예에 관한 것일 뿐 본 개시가 이로써 제한되는 것은 아님을 알아야 한다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. Hereinafter, when it is determined that there is a risk of unnecessarily obscuring the subject matter of the present disclosure, a detailed description of already known functions and configurations is omitted. In addition, it should be understood that the contents described below are only for one embodiment of the present disclosure, and the present disclosure is not limited thereto.

본 개시에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 개시를 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 본 개시에서 사용되는 "및/또는"이라는 용어는, 열거되는 항목들 중 하나 이상의 항목에 의한 임의의 가능한 모든 조합들을 포괄하는 것임이 이해되어야 한다. 본 개시에서 사용되는 '포함하다' 또는 '가지다' 등의 용어는 본 개시 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.Terms used in the present disclosure are only used to describe specific embodiments and are not used to limit the present disclosure. For example, a component expressed as a singular should be understood as a concept including a plurality of components unless the context clearly refers to the singular. It should be understood that the term “and/or” as used in this disclosure is intended to encompass any and all possible combinations by one or more of the items listed. The terms'include' or'have' as used in the present disclosure are only intended to indicate that there are features, numbers, steps, actions, components, parts, or combinations thereof described in the present disclosure. It is not intended to exclude the possibility of the presence or addition of one or more other features or numbers, steps, actions, components, parts or combinations thereof by use.

본 개시의 실시예에 있어서 '모듈' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '모듈' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서에 의해 구현될 수 있다.In the exemplary embodiment of the present disclosure,'module' or'unit' means a functional part that performs at least one function or operation, and may be implemented by hardware or software, or a combination of hardware and software. In addition, a plurality of'modules' or'parts' may be implemented by at least one processor by being integrated with at least one software module, except for'modules' or'parts' that need to be implemented with specific hardware. have.

본 개시의 실시예에 있어서 '대화 이해 AI 시스템'은, 사용자로부터 입력되는 자연어 입력(예컨대, 자연어로 된 사용자로부터의 명령, 진술, 요청, 질문 등)을 수신 및 해석하여 사용자의 인텐트(intent)를 알아내고 그 알아낸 사용자의 인텐트에 기초하여 적절한 동작을 수행할 수 있는 임의의 정보 처리 시스템을 지칭할 수 있으며, 특정 형태로 제한되는 것은 아니다.In the embodiment of the present disclosure, the'conversation understanding AI system' receives and interprets natural language input (eg, commands, statements, requests, questions, etc. from the user in the natural language) input from the user, thereby intenting the user. ) And may refer to any information processing system capable of performing an appropriate operation based on the found user's intent, and is not limited to a specific form.

덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 개시에서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 개시에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.In addition, unless defined otherwise, all terms used in this disclosure, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which this disclosure belongs. It should be understood that commonly used dictionary-defined terms are to be interpreted as having meanings consistent with the contextual meaning of the related art, and are not to be construed as being excessively limited or extended unless explicitly defined otherwise in the present disclosure. .

이하, 첨부된 도면을 참조하여, 본 개시의 실시예에 대해 구체적으로 설명하기로 한다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.

도 1은, 본 개시의 일 실시예에 따라, 대화형 AI 에이전트 시스템이 구현될 수 있는 시스템 환경(100)을 개략적으로 도시한 도면이다. 도시된 바에 의하면, 시스템 환경(100)은, 복수의 사용자 단말(102a-102n), 통신망(104), 대화형 AI 에이전트 서버(106), 및 외부 서비스 서버(108)를 포함한다.1 is a diagram schematically illustrating a system environment 100 in which an interactive AI agent system can be implemented, according to an embodiment of the present disclosure. As shown, the system environment 100 includes a plurality of user terminals 102a-102n, a communication network 104, an interactive AI agent server 106, and an external service server 108.

본 개시의 일 실시예에 의하면, 복수의 사용자 단말(102a-102n) 각각은 유선 또는 무선 통신 기능을 구비한 임의의 사용자 전자 장치일 수 있다. 사용자 단말(102a-102n) 각각은, 예컨대 스마트 폰, 태블릿 PC, 데스크탑, 랩탑, PDA, 디지털 TV 등을 포함한 다양한 유선 또는 무선 통신 단말일 수 있으며, 특정 형태로 제한되지 않음을 알아야 한다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은 소정의 디스플레이 장치를 가질 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. According to an embodiment of the present disclosure, each of the plurality of user terminals 102a-102n may be any user electronic device having a wired or wireless communication function. It should be noted that each of the user terminals 102a-102n may be various wired or wireless communication terminals including, for example, a smart phone, tablet PC, desktop, laptop, PDA, digital TV, and the like, and is not limited to a specific form. According to an embodiment of the present disclosure, each of the user terminals 102a-102n may have a predetermined display device, and the present disclosure is not limited thereto.

본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 통신망(104)을 통해서, 대화 이해 AI 서비스 서버(106)와 통신, 즉 필요한 정보를 송수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 외부로부터, 예컨대 음성 및/또는 텍스트 형태의 고객 사용자 입력을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 통신망(104)을 통한 대화 이해 AI 서비스 서버(106)와의 통신을 통해 얻어진, 위 고객 사용자 입력에 대응한 동작 결과(예컨대, 특정 대화 응답의 제공 및/또는 특정 태스크의 수행 등)를 대응하는 고객 사용자에게 제공할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 예컨대 고객 상담 센터 서버일 수 있고, 사용자 단말(102a-102n)은, 예컨대 고객 상담 센터 서버에 액세스하는 고객의 통신 단말일 수 있다. According to an embodiment of the present disclosure, each of the user terminals 102a-102n may communicate with the AI service server 106 of conversation, that is, transmit and receive necessary information through the communication network 104. According to an embodiment of the present disclosure, each of the user terminals 102a-102n may receive a customer user input from the outside, for example, in the form of voice and/or text. According to an embodiment of the present disclosure, each of the user terminals 102a-102n is obtained through communication with the AI service server 106 that understands the conversation through the communication network 104, and the operation result corresponding to the above customer user input (eg , Providing a specific conversation response and/or performing a specific task, etc.) to a corresponding customer user. According to one embodiment of the present disclosure, the conversation understanding AI service server 106 may be, for example, a customer consultation center server, and the user terminals 102a-102n may be, for example, a communication terminal of a customer accessing the customer consultation center server. Can be.

본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 외부로부터 음성 및/또는 텍스트 형태의 사용자 입력을 수신할 수 있고, 통신망(104)을 통한 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)와의 통신(및/또는 사용자 단말(102a-102n) 내 처리)을 통해 얻어진, 위 사용자 입력에 대응한 동작 결과(예컨대, 특정 대화 응답의 제공 및/또는 특정 태스크의 수행 등)를 사용자에게 제공할 수 있다. According to one embodiment of the present disclosure, each of the user terminals 102a-102n may receive user input in the form of voice and/or text from the outside, and the interactive AI agent server 106 through the communication network 104 And/or an operation result corresponding to the above user input (eg, providing a specific conversation response and/or a specific task) obtained through communication with the external service server 108 (and/or processing within the user terminals 102a-102n) , Etc.) to the user.

본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n)에 의해 제공되는 사용자 입력에 대응한 동작 결과로서의 대화 응답은, 예컨대 소정의 서비스 도메인 내에서, 해당 서비스 제공을 위한 하위 인텐트 그룹들의 순차적 흐름안에서 당시의 사용자 입력에 대응한 하위 인텐트 그룹의 대화 흐름 패턴에 따라 제공되는 것일 수 있다.According to an embodiment of the present disclosure, a conversation response as a result of an operation corresponding to a user input provided by the user terminals 102a-102n includes, for example, within a given service domain, lower intent groups for providing the corresponding service. In a sequential flow, it may be provided according to the conversation flow pattern of the lower intent group corresponding to the user input at the time.

본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n)에 의해 제공되는 사용자 입력에 대응한 동작 결과로서의 대화 응답은, 예컨대 신경망 등 기계학습 방식에 기초하여, 트레이닝된 하나의 질문에 대한 후보 리스트 중 선택되어 제공되는 것일 수 있다. According to an embodiment of the present disclosure, a conversation response as an operation result corresponding to a user input provided by the user terminals 102a-102n is a candidate for a single trained question, for example, based on a machine learning method such as a neural network. It may be selected and provided from a list.

본 발명의 일 실시예에 의하면, 사용자 단말(102a-102n) 각각은, 사용자 입력에 대응한 동작 결과로서의 대화 응답을, 시각, 청각 및/또는 촉각 형태(예컨대, 음성, 음향, 텍스트, 비디오, 이미지, 기호, 이모티콘, 하이퍼링크, 애니메이션, 각종 노티스, 모션, 햅틱 피드백 등을 포함할 수 있으며, 이로써 제한되는 것은 아님) 등 다양한 형태로써 사용자에게 제공할 수 있다. 본 발명의 실시예에 있어서, 사용자 입력에 대응한 동작으로서의 태스크 수행은, 예컨대 정보의 검색, 결재 진행, 메시지 작성, 이메일 작성, 전화 걸기, 음악 재생, 사진 촬영, 사용자 위치 탐색, 지도/내비게이션 서비스 등을 비롯한 각종 다양한 형태의 태스크(그러나 이로써 제한되는 것은 아님) 수행을 포함할 수 있다.According to an embodiment of the present invention, each of the user terminals 102a-102n responds to a conversation as a result of an operation corresponding to a user input in a visual, audible and/or tactile form (eg, voice, sound, text, video, It may include images, symbols, emoticons, hyperlinks, animations, various notices, motion, haptic feedback, and the like, but is not limited to). In an embodiment of the present invention, task execution as an operation corresponding to user input includes, for example, information search, payment progress, message creation, email creation, phone call, music playback, photo shooting, user location search, map/navigation service And various other types of tasks, including, but not limited to, performing.

본 개시의 일 실시예에 의하면, 통신망(104)은, 임의의 유선 또는 무선 통신망, 예컨대 TCP/IP 통신망을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 Wi-Fi망, LAN망, WAN망, 인터넷망 등을 포함할 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 일 실시예에 의하면, 통신망(104)은, 예컨대 이더넷, GSM, EDGE(Enhanced Data GSM Environment), CDMA, TDMA, OFDM, 블루투스, VoIP, Wi-MAX, Wibro 기타 임의의 다양한 유선 또는 무선 통신 프로토콜을 이용하여 구현될 수 있다.According to one embodiment of the present disclosure, the communication network 104 may include any wired or wireless communication network, such as a TCP/IP communication network. According to one embodiment of the present disclosure, the communication network 104 may include, for example, a Wi-Fi network, a LAN network, a WAN network, an Internet network, etc., and the present disclosure is not limited thereto. According to one embodiment of the present disclosure, the communication network 104 is, for example, Ethernet, GSM, Enhanced Data GSM Environment (EDGE), CDMA, TDMA, OFDM, Bluetooth, VoIP, Wi-MAX, Wibro and any other various wired or wireless. It can be implemented using a communication protocol.

본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 통신망(104)을 통해 사용자 단말(102a-102n)과 통신할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 통신망(104)을 통해 사용자 단말(102a-102n)과 소정의 통신 세션을 수립하고, 해당 통신 세션을 통해 필요한 정보를 송수신할 수 있다. 대화 이해 AI 서비스 서버(106)는, 사용자 단말(102-102n)과의 사이에 수립된 통신 세션 상에서 사용자 단말(102a-102n)로부터 사용자 입력을 수신하고, 수신한 사용자 입력에 대응한, 즉 사용자 의도에 부합하는 동작 결과(예컨대, 적절한 대화 응답)가, 사용자에게 제공되도록 동작할 수 있다. According to one embodiment of the present disclosure, the conversation understanding AI service server 106 may communicate with the user terminals 102a-102n through the communication network 104. According to an embodiment of the present disclosure, the conversation understanding AI service server 106 establishes a predetermined communication session with the user terminals 102a-102n through the communication network 104, and transmits and receives necessary information through the communication session. can do. The conversation understanding AI service server 106 receives the user input from the user terminals 102a-102n on a communication session established with the user terminals 102-102n, and corresponds to the received user input, that is, the user An operation result that matches the intention (eg, an appropriate conversation response) may be operated to be provided to the user.

본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 예컨대 통신망(104)을 통하여 수립된 통신 세션을 통하여 사용자 단말(102a-102n)로부터 음성 및/또는 텍스트 형태의 자연어 입력을 수신하고, 미리 준비된 지식베이스 모델 등에 기초해서 그 수신된 자연어 입력을 처리하여 고객 사용자의 인텐트(intent)를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 위 결정된 사용자 인텐트에 기초하여 대응하는 동작이 수행되도록 할 수 있다.According to one embodiment of the present disclosure, the conversation understanding AI service server 106 receives natural language input in the form of voice and/or text from the user terminals 102a-102n through, for example, a communication session established through the communication network 104. It can receive and process the received natural language input based on a knowledge base model prepared in advance to determine the intent of the customer user. According to an embodiment of the present disclosure, the conversation understanding AI service server 106 may cause a corresponding operation to be performed based on the determined user intent.

본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 예컨대 사용자 인텐트에 부합하는 특정한 대화 응답을 생성하고 해당 통신 세션을 통해 사용자 단말(102a-102n)로 그 생성된 대화 응답을 전송할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는, 위 결정된 사용자 인텐트(및 해당 통신 세션을 통하여 해당 사용자 단말(102a-102n)과의 사이에 앞서 발생한 일련의 인텐트들 중 적어도 일부)에 기초하여, 대응하는 대화 응답을 음성 및/또는 텍스트 형태로써 생성하고, 생성된 응답을, 사용자 단말(102a-102n)로 전달할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)에 의해 생성되는 대화 응답은, 전술한 음성 및/또는 텍스트 형태의 자연어 응답과 함께, 이미지, 비디오, 기호, 이모티콘 등 다른 시각적 요소들이나, 음향 등의 다른 청각적 요소들이나, 기타 다른 촉각적 요소들을 포함할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 단말(102a-102n) 상에서 수신된 사용자 입력의 형태(예컨대, 음성 입력인지 아니면 텍스트 입력인지)에 따라, 대화 이해 AI 서비스 서버(106) 상에서 동일한 형태의 응답이 생성될 수 있으며(예컨대, 음성 입력이 주어진 경우에는 음성 응답이 생성되고 텍스트 입력이 주어진 경우에는 텍스트 응답이 생성됨), 다만 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 사용자 입력의 형태와 무관하게 음성 및/또는 텍스트 형태의 응답이 생성 및 제공될 수 있음을 알아야 한다.According to one embodiment of the present disclosure, the conversation understanding AI service server 106 generates, for example, a specific conversation response corresponding to the user intent, and the generated conversation response to the user terminals 102a-102n through a corresponding communication session. Can send. According to one embodiment of the present disclosure, the conversation understanding AI service server 106, a series of intents previously generated between the above determined user intent (and the corresponding user terminal 102a-102n through the corresponding communication session) Based on at least some), a corresponding conversation response may be generated in a voice and/or text form, and the generated response may be transmitted to the user terminals 102a-102n. According to one embodiment of the present disclosure, the conversation response generated by the conversation understanding AI service server 106, along with the natural language response in the form of voice and/or text described above, other visual elements such as images, videos, symbols, emoticons, etc. Other acoustic elements, such as a field or sound, or other tactile elements. According to an embodiment of the present disclosure, depending on the type of user input received on the user terminals 102a-102n (eg, voice input or text input), the same type of response on the conversation understanding AI service server 106 This may be generated (eg, a voice response is generated when a voice input is given, and a text response is generated when a text input is given), but the present disclosure is not so limited. It should be understood that according to another embodiment of the present disclosure, a response in the form of voice and/or text can be generated and provided regardless of the form of user input.

본 발명의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 앞서 언급한 바와 같이, 통신망(104)을 통해서 외부 서비스 서버(108)와 통신할 수 있다. 외부 서비스 서버(108)는, 예컨대 메시징 서비스 서버, 온라인 상담 센터 서버, 온라인 쇼핑몰 서버, 정보 검색 서버, 지도 서비스 서버, 네비게이션 서비스 서버 등일 수 있으며, 본 개시가 이로써 제한되는 것은 아니다. 본 발명의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)로부터 사용자 단말(102a-102n)로 전달되는, 사용자 인텐트에 기초한 대화 응답은, 예컨대 외부 서비스 서버(108)로부터 검색 및 획득된 데이터 콘텐츠를 포함한 것일 수 있음을 알아야 한다.According to an embodiment of the present invention, the interactive AI agent server 106 may communicate with the external service server 108 through the communication network 104, as mentioned above. The external service server 108 may be, for example, a messaging service server, an online consultation center server, an online shopping mall server, an information retrieval server, a map service server, a navigation service server, etc., and the present disclosure is not limited thereto. According to an embodiment of the present invention, a conversation response based on a user intent, which is delivered from the interactive AI agent server 106 to the user terminals 102a-102n, is retrieved and obtained from, for example, the external service server 108 It should be noted that it may include data content.

본 도면에서는, 대화형 AI 에이전트 서버(106)가 외부 서비스 서버(108)와 통신망(104)을 통해 통신 가능하게 구성된 별도의 물리 서버인 것으로 도시되어 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 예컨대 온라인 상담 센터 서버 또는 온라인 쇼핑몰 서버 등 각종 서비스 서버의 일부로 포함되어 구성될 수도 있음을 알아야 한다.In this figure, although the interactive AI agent server 106 is illustrated as a separate physical server configured to be able to communicate through the external service server 108 and the communication network 104, the present disclosure is not limited thereto. It should be noted that according to another embodiment of the present invention, the interactive AI agent server 106 may be configured to be included as part of various service servers such as an online consultation center server or an online shopping mall server.

본 발명의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 다양한 경로를 통하여 대화 로그들(예컨대, 복수의 사용자 및/또는 시스템 발화 기록을 포함할 수 있음)을 수집하고, 그 수집된 대화 로그들을 자동으로 분석하여, 분석 결과에 따라 대화 흐름 관리 모델을 생성 및/또는 갱신할 수 있다. 본 발명의 일 실시예에 의하면, 대화형 AI 에이전트 서버(106)는, 예컨대 소정의 서비스 도메인과 관련하여 수집된 대화 로그들에 대한 키워드 분석을 통해 각각의 발화 기록을 미리 정해진 인텐트 그룹들 중 하나로 분류하고, 각각의 인텐트 그룹들 간의 순차적 흐름 분포를 확률적으로 분석할 수 있다. According to one embodiment of the present invention, the interactive AI agent server 106 collects and collects conversation logs (eg, may include a plurality of user and/or system utterance records) through various routes. The analyzed conversation logs can be automatically analyzed to generate and/or update the conversation flow management model according to the analysis result. According to an embodiment of the present invention, the interactive AI agent server 106, for example, through keyword analysis of conversation logs collected in connection with a given service domain, records each utterance among predetermined intent groups. It can be classified as one, and the sequential flow distribution between each intent group can be analyzed stochastically.

도 2는, 본 개시의 일 실시예에 따른, 도 1에 도시된 사용자 단말(102)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 사용자 단말(102)은, 사용자 입력 수신 모듈(202), 센서 모듈(204), 프로그램 메모리 모듈(206), 프로세싱 모듈(208), 통신 모듈(210), 및 응답 출력 모듈(212)을 포함한다.FIG. 2 is a functional block diagram schematically showing a functional configuration of the user terminal 102 shown in FIG. 1 according to an embodiment of the present disclosure. As illustrated, the user terminal 102 includes a user input receiving module 202, a sensor module 204, a program memory module 206, a processing module 208, a communication module 210, and a response output module ( 212).

본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 사용자로부터 다양한 형태의 입력, 예컨대 음성 입력 및/또는 텍스트 입력 등의 자연어 입력(및 부가적으로 터치 입력 등의 다른 형태의 입력)을 수신할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 예컨대 마이크로폰 및 오디오 회로를 포함하며, 마이크로폰을 통해 사용자 음성 입력 신호를 획득하고 획득된 신호를 오디오 데이터로 변환할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)은, 예컨대 마우스, 조이스틱, 트랙볼 등의 각종 포인팅 장치, 키보드, 터치패널, 터치스크린, 스타일러스 등 다양한 형태의 입력 장치를 포함할 수 있고, 이들 입력 장치를 통해 사용자로부터 입력된 텍스트 입력 및/또는 터치 입력 신호를 획득할 수 있다. 본 개시의 일 실시예에 의하면, 사용자 입력 수신 모듈(202)에서 수신되는 사용자 입력은, 소정의 태스크 수행, 예컨대 소정의 애플리케이션 실행이나 소정 정보의 검색 등과 연관될 수 있으나, 본 개시가 이로써 제한되는 것은 아니다. 본 개시의 다른 실시예에 의하면, 사용자 입력 수신 모듈(202)에서 수신되는 사용자 입력은, 소정의 애플리케이션 실행이나 정보의 검색 등과는 무관하게 단순한 대화 응답 만을 필요로 하는 것일 수도 있다. According to an embodiment of the present disclosure, the user input receiving module 202 may input various types of input from a user, for example, natural language input such as voice input and/or text input (and additionally other types of input such as touch input). ). According to an embodiment of the present disclosure, the user input receiving module 202 includes, for example, a microphone and an audio circuit, and may acquire a user voice input signal through a microphone and convert the obtained signal into audio data. According to an embodiment of the present disclosure, the user input receiving module 202 may include various pointing devices such as a mouse, joystick, trackball, keyboard, touch panel, touch screen, stylus, and the like. , Text input and/or touch input signals input from a user may be acquired through these input devices. According to an embodiment of the present disclosure, the user input received by the user input receiving module 202 may be associated with performing a predetermined task, for example, executing a predetermined application or searching for predetermined information, but the present disclosure is limited thereto. It is not. According to another embodiment of the present disclosure, the user input received by the user input receiving module 202 may only require a simple conversation response regardless of execution of a predetermined application or retrieval of information.

본 개시의 일 실시예에 의하면, 센서 모듈(204)은 하나 이상의 서로 다른 유형의 센서를 포함하고, 이들 센서를 통해 사용자 단말(102)의 상태 정보, 예컨대 해당 사용자 단말(102)의 물리적 상태, 소프트웨어 및/또는 하드웨어 상태, 또는 사용자 단말(102)의 주위 환경 상태에 관한 정보 등을 획득할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 광 센서를 포함하고, 광 센서를 통해 해당 사용자 단말(102)의 주변 광 상태를 감지할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 이동 센서를 포함하고, 이동 센서를 통해 해당 사용자 단말(102)의 이동 상태 여부를 감지할 수 있다. 본 개시의 일 실시예에 의하면, 센서 모듈(204)은, 예컨대 속도 센서 및 GPS 센서를 포함하고, 이들 센서를 통해 해당 사용자 단말(102)의 위치 및/또는 배향 상태를 감지할 수 있다. 본 개시의 다른 실시예에 의하면, 센서 모듈(204)은 온도 센서, 이미지 센서, 압력 센서, 접촉 센서 등을 비롯한 다른 다양한 형태의 센서를 포함할 수 있음을 알아야 한다.According to one embodiment of the present disclosure, the sensor module 204 includes one or more different types of sensors, through which the status information of the user terminal 102, such as the physical state of the corresponding user terminal 102, Software and/or hardware status, or information about the surrounding environment status of the user terminal 102 may be acquired. According to an embodiment of the present disclosure, the sensor module 204 may include, for example, an optical sensor, and detect an ambient light state of the corresponding user terminal 102 through the optical sensor. According to an embodiment of the present disclosure, the sensor module 204 may include, for example, a movement sensor, and detect whether the corresponding user terminal 102 is moved through the movement sensor. According to an embodiment of the present disclosure, the sensor module 204 may include, for example, a speed sensor and a GPS sensor, and detect the position and/or orientation of the corresponding user terminal 102 through these sensors. It should be noted that according to other embodiments of the present disclosure, the sensor module 204 may include various other types of sensors, including temperature sensors, image sensors, pressure sensors, contact sensors, and the like.

본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)은, 사용자 단말(102) 상에서 실행될 수 있는 각종 프로그램, 예컨대 각종 애플리케이션 프로그램 및 관련 데이터 등이 저장된 임의의 저장 매체일 수 있다. 본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)에는, 예컨대 전화 걸기 애플리케이션, 이메일 애플리케이션, 인스턴트 메시징 애플리케이션, 카메라 애플리케이션, 음악 재생 애플리케이션, 비디오 재생 애플리케이션, 이미지 관리 애플리케이션, 지도 애플리케이션, 브라우저 애플리케이션 등을 비롯한 다양한 애플리케이션 프로그램들과 이들 프로그램의 실행과 관련된 데이터들이 저장될 수 있다. 본 개시의 일 실시예에 의하면, 프로그램 메모리 모듈(206)은, DRAM, SRAM, DDR RAM, ROM, 자기 디스크, 광 디스크, 플래시 메모리 등 다양한 형태의 휘발성 또는 비휘발성 메모리를 포함하도록 구성될 수 있다.According to an embodiment of the present disclosure, the program memory module 206 may be any storage medium that stores various programs that can be executed on the user terminal 102, such as various application programs and related data. According to one embodiment of the present disclosure, the program memory module 206 includes, for example, a dialing application, an email application, an instant messaging application, a camera application, a music playback application, a video playback application, an image management application, a map application, a browser application, etc. Various application programs including and data related to execution of these programs may be stored. According to an embodiment of the present disclosure, the program memory module 206 may be configured to include various types of volatile or nonvolatile memory such as DRAM, SRAM, DDR RAM, ROM, magnetic disk, optical disk, and flash memory. .

본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 사용자 단말(102)의 각 컴포넌트 모듈과 통신하고 사용자 단말(102) 상에서 각종 연산을 수행할 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 프로그램 메모리 모듈(206) 상의 각종 애플리케이션 프로그램을 구동 및 실행시킬 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 필요한 경우, 사용자 입력 수신 모듈(202) 및 센서 모듈(204)에서 획득된 신호를 수신하고, 이들 신호에 관한 적절한 처리를 수행할 수 있다. 본 개시의 일 실시예에 의하면, 프로세싱 모듈(208)은, 필요한 경우, 통신 모듈(210)을 통해 외부로부터 수신되는 신호에 대해 적절한 처리를 수행할 수 있다.According to one embodiment of the present disclosure, the processing module 208 may communicate with each component module of the user terminal 102 and perform various operations on the user terminal 102. According to an embodiment of the present disclosure, the processing module 208 may drive and execute various application programs on the program memory module 206. According to one embodiment of the present disclosure, the processing module 208 may receive signals obtained from the user input receiving module 202 and the sensor module 204, if necessary, and perform appropriate processing on these signals. have. According to an embodiment of the present disclosure, the processing module 208 may perform appropriate processing on a signal received from the outside through the communication module 210, if necessary.

본 개시의 일 실시예에 의하면, 통신 모듈(210)은, 사용자 단말(102)이 도 1의 통신망(104)을 통하여, 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)와 통신할 수 있게 한다. 본 개시의 일 실시예에 의하면, 통신 모듈(212)은, 예컨대 사용자 입력 수신 모듈(202) 및 센서 모듈(204) 상에서 획득된 신호가 소정의 프로토콜에 따라 통신망(104)을 통하여 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)로 전송되도록 할 수 있다. 본 개시의 일 실시예에 의하면, 통신 모듈(210)은, 예컨대 통신망(104)을 통하여 대화형 AI 에이전트 서버(106) 및/또는 외부 서비스 서버(108)로부터 수신된 각종 신호, 예컨대 음성 및/또는 텍스트 형태의 자연어 응답을 포함한 응답 신호 또는 각종 제어 신호 등을 수신하고, 소정의 프로토콜에 따라 적절한 처리를 수행할 수 있다.According to one embodiment of the present disclosure, the communication module 210 is configured to allow the user terminal 102 to communicate with the interactive AI agent server 106 and/or the external service server 108 through the communication network 104 of FIG. 1. Enable communication. According to one embodiment of the present disclosure, the communication module 212 is an interactive AI agent, for example, a signal obtained on the user input receiving module 202 and the sensor module 204 through the communication network 104 according to a predetermined protocol. It can be sent to the server 106 and / or external service server 108. According to one embodiment of the present disclosure, the communication module 210 may receive various signals, such as voice and/or received from the interactive AI agent server 106 and/or the external service server 108 through the communication network 104, for example. Alternatively, a response signal including a natural language response in a text form or various control signals may be received, and appropriate processing may be performed according to a predetermined protocol.

본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 사용자 입력에 대응하는 응답을 시각, 청각 및/또는 촉각 등 다양한 형태로써 출력할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 예컨대 LCD, LED, OLED, QLED 등의 기술에 기초한 터치 스크린 등의 각종 디스플레이 장치를 포함하고, 이들 디스플레이 장치를 통해 사용자 입력에 대응하는 시각적 응답, 예컨대 텍스트, 기호, 비디오, 이미지, 하이퍼링크, 애니메이션, 각종 노티스 등을 사용자에게 제시할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 예컨대 스피커 또는 헤드셋을 포함하고, 사용자 입력에 대응하는 청각적 응답, 예컨대 음성 및/또는 음향 응답을 스피커 또는 헤드셋을 통해 사용자에게 제공할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)는 모션/햅틱 피드백 생성부를 포함하고, 이를 통해 촉각적 응답, 예컨대 모션/햅틱 피드백을 사용자에게 제공할 수 있다. 본 개시의 일 실시예에 의하면, 응답 출력 모듈(212)은, 사용자 입력에 대응하는 텍스트 응답, 음성 응답 및 모션/햅틱 피드백 중 임의의 두 개 이상의 조합을 동시에 제공할 수 있음을 알아야 한다.According to an embodiment of the present disclosure, the response output module 212 may output a response corresponding to a user input in various forms such as visual, auditory and/or tactile. According to an embodiment of the present disclosure, the response output module 212 includes various display devices such as a touch screen based on technologies such as LCD, LED, OLED, and QLED, and responds to user input through these display devices. A visual response, such as text, symbols, videos, images, hyperlinks, animations, and various notifies, can be presented to the user. According to one embodiment of the present disclosure, the response output module 212 includes, for example, a speaker or headset, and provides an audible response corresponding to a user input, such as a voice and/or sound response, to the user through the speaker or headset can do. According to an embodiment of the present disclosure, the response output module 212 may include a motion/haptic feedback generator, thereby providing a user with a tactile response, such as motion/haptic feedback. It should be noted that according to one embodiment of the present disclosure, the response output module 212 can simultaneously provide any two or more combinations of text responses, voice responses, and motion/haptic feedback corresponding to user input.

도 3은, 본 발명의 일 실시예에 따른, 도 1의 대화형 AI 에이전트 서버(106)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 대화형 에이전트 서버(106)는, 통신 모듈(302), 대화/태스크 처리부(304), 대화 흐름 관리 모델 구축/갱신부(306), 및 대화 로그 수집부(308)를 포함한다.FIG. 3 is a functional block diagram schematically showing the functional configuration of the interactive AI agent server 106 of FIG. 1 according to an embodiment of the present invention. As shown, the interactive agent server 106 includes a communication module 302, a conversation/task processing unit 304, a conversation flow management model building/updating unit 306, and a conversation log collection unit 308. do.

본 발명의 일 실시예에 의하면, 통신 모듈(302)은, 소정의 유선 또는 무선 통신 프로토콜에 따라, 통신망(104)을 통하여, 대화형 AI 에이전트 서버(106)가 사용자 단말(102) 및/또는 외부 서비스 서버(108)와 통신할 수 있게 한다. 본 발명의 일 실시예에 의하면, 통신 모듈(302)은, 통신망(104)을 통해, 사용자 단말(102)로부터 전송되어 온, 사용자로부터의 음성 입력 및/또는 텍스트 입력 등을 수신할 수 있다. 본 발명의 일 실시예에 의하면, 통신 모듈(302)은, 사용자 단말(102)로부터 전송되어 온 사용자로부터의 음성 입력 및/또는 텍스트 입력과 함께 또는 그와 별도로, 통신망(104)을 통해, 사용자 단말(102)로부터 전송되어온, 사용자 단말(102)의 상태 정보를 수신할 수 있다. 본 발명의 일 실시예에 의하면, 상태 정보는, 예컨대 사용자로부터의 음성 입력 및/또는 텍스트 입력 당시의 해당 사용자 단말(102)에 관련된 여러가지 상태 정보(예컨대, 사용자 단말(102)의 물리적 상태, 사용자 단말(102)의 소프트웨어 및/또는 하드웨어 상태, 사용자 단말(102) 주위의 환경 상태 정보 등)일 수 있다. 본 발명의 일 실시예에 의하면, 통신 모듈(302)은, 또한, 위 수신된 사용자 입력에 대응하여 대화형 AI 에이전트 서버(106)에서 생성된 대화 응답(예컨대, 음성 및/또는 텍스트 형태의 자연어 대화 응답 등) 및/또는 제어 신호를, 통신망(104)을 통해, 사용자 단말(102)로 전달하기 위해 필요한 적절한 조치를 수행할 수 있다.According to one embodiment of the present invention, the communication module 302, according to a predetermined wired or wireless communication protocol, through the communication network 104, the interactive AI agent server 106, the user terminal 102 and / or It enables communication with the external service server 108. According to an embodiment of the present invention, the communication module 302 may receive a voice input and/or text input from a user, which has been transmitted from the user terminal 102 through the communication network 104. According to an embodiment of the present invention, the communication module 302 is a user through the communication network 104, together with or separately from voice input and/or text input from a user transmitted from the user terminal 102. It is possible to receive status information of the user terminal 102, which has been transmitted from the terminal 102. According to an embodiment of the present invention, the status information includes, for example, various status information related to the corresponding user terminal 102 at the time of voice input and/or text input from the user (eg, the physical status of the user terminal 102, the user Software and/or hardware status of the terminal 102, environment status information around the user terminal 102, and the like. According to an embodiment of the present invention, the communication module 302 also generates a conversation response (eg, natural language in the form of voice and/or text) generated by the interactive AI agent server 106 in response to the received user input. Conversation response, etc.) and/or control signals, via the communication network 104, to the user terminal 102.

본 발명의 일 실시예에 의하면, 대화/태스크 처리부(304)는, 통신 모듈(302)을 통하여 사용자 단말(102a-102n)로부터의 사용자 자연어 입력을 수신하고, 미리 준비된 소정의 지식 모델을 기초로 이를 처리하여, 사용자 자연어 입력에 대응한 사용자의 인텐트(intent)를 결정할 수 있다. 본 발명의 일 실시예에 의하면, 대화/태스크 처리부(304)는 또한 결정된 사용자 인텐트에 부합하는 동작, 예컨대 적절한 대화 응답 및/또는 태스크 수행을 제공할 수 있다. 본 발명의 일 실시예에 의하면, 대화/태스크 처리부(304)에 의해 수행되는 각각의 동작은, 예컨대 소정의 서비스 도메인 내에서 해당 서비스 제공을 위한 하위 인텐트 그룹들의 순차적 흐름 안에서 각 사용자의 인텐트에 대응하여 이루어지는 대화 응답 및/또는 태스크 수행일 수 있다. 예컨대, 상품 구매의 서비스 도메인 하에서, 대화/태스크 처리부(304)는, 수신된 사용자 입력이 가격 문의의 인텐트 그룹에 속한 것임을 파악하고, 그 가격 문의의 인텐트 그룹의 태스크 흐름 및/또는 대화 흐름 패턴에 따라 적절한 태스크 수행 및/또는 대화 응답의 제공을 수행할 수 있다. According to an embodiment of the present invention, the conversation/task processing unit 304 receives the user's natural language input from the user terminals 102a-102n through the communication module 302, and based on a predetermined knowledge model prepared in advance. By processing this, the user's intent corresponding to the user's natural language input may be determined. According to one embodiment of the present invention, the conversation/task processing unit 304 may also provide an action that matches the determined user intent, for example, appropriate conversation response and/or task performance. According to an embodiment of the present invention, each operation performed by the conversation/task processing unit 304 is, for example, an intent of each user in a sequential flow of lower intent groups for providing the corresponding service within a given service domain. It may be a conversation response and / or task performed in response to. For example, under the service domain of product purchase, the conversation/task processing unit 304 determines that the received user input belongs to the intent group of the price inquiry, and the task flow and/or conversation flow of the intent group of the price inquiry Depending on the pattern, it is possible to perform appropriate tasks and/or provide conversation responses.

본 발명의 일 실시예에 의하면, 대화/태스크 처리부(304)는, 예컨대 대화 흐름 모델에 기초한 대화 응답의 제공이 소정의 임계치 범위를 벗어나는지 여부에 따라 예컨대 신경망, 딥러닝 등 기계학습 방식에 기초하여 학습한 질의.응답 세트를 기초로 적절한 대화 응답의 제공을 수행할 수 있다. According to an embodiment of the present invention, the conversation/task processing unit 304 is based on, for example, a machine learning method such as a neural network or deep learning depending on whether or not the provision of a conversation response based on a conversation flow model is outside a predetermined threshold range. Therefore, it is possible to provide appropriate dialogue responses based on the set of questions and answers learned.

본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델 구축/갱신부(306)는, 임의의 다양한 방식에 의해 수집된 대화 로그 수집부(308) 상의 각 대화 로그들을 자동으로 분석하여, 분석 결과에 따라 대화 흐름 관리 모델을 구축 및/또는 갱신할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델 구축/갱신부(306)는, 예컨대 소정의 서비스 도메인과 관련하여 대화 로그 수집부(308) 상에 수집된 대화 로그들에 대한 키워드 분석을 통해, 각각의 발화 기록을 미리 정해진 하위 인텐트 그룹들 중 하나로 분류하고, 같은 하위 인텐트 그룹의 발화 기록들을 그룹핑할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델 구축/갱신부(306)는, 예컨대 각 그룹, 즉 각각의 하위 인텐트 그룹들 간의 순차 흐름을 확률적 분포로 파악할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델 구축/갱신부(306)는, 예컨대 서비스 도메인 상의 하위 인텐트 그룹들 간의 순차 흐름을 확률 그래프 형태로 구성할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델 구축/갱신부(306)는, 예컨대 각각의 하위 인텐트 그룹들 간에 발생할 수 있는 모든 순차 흐름을 파악하고, 위 수집된 각 대화 로그로부터, 그 모든 순차 흐름 내의 각 인텐트 그룹 간 흐름의 발생 확률을 판정하며, 그로부터 전술한 하위 인텐트 그룹들 간의 각 순차 흐름의 확률적 분포를 획득할 수 있다. According to an embodiment of the present invention, the conversation flow management model building/updating unit 306 automatically analyzes each conversation log on the conversation log collection unit 308 collected by any of a variety of methods, and analyzes the result. Accordingly, a conversation flow management model can be built and/or updated. According to an embodiment of the present invention, the conversation flow management model construction/update unit 306, for example, through keyword analysis of the conversation logs collected on the conversation log collection unit 308 in relation to a given service domain , Each utterance record may be classified into one of predetermined sub-intent groups, and utterance records of the same sub-intent group may be grouped. According to an embodiment of the present invention, the conversation flow management model building/updating unit 306 may grasp, for example, a sequential flow between each group, that is, each lower intent group as a stochastic distribution. According to an embodiment of the present invention, the conversation flow management model building/updating unit 306 may configure, for example, a sequential flow between lower intent groups on a service domain in a probability graph form. According to an embodiment of the present invention, the conversation flow management model building/updating unit 306, for example, identifies all sequential flows that may occur between respective sub-intent groups, and from each conversation log collected above, The probability of occurrence of a flow between each intent group in all sequential flows is determined, from which a stochastic distribution of each sequential flow between the lower intent groups described above can be obtained.

도 4는, 본 발명의 일 실시예에 따른, 도 3의 대화/태스크 처리부(304)의 기능적 구성을 개략적으로 도시한 기능 블록도이다. 도시된 바에 의하면, 대화/태스크 처리부(302)는, 음성-텍스트 변환(Speech-To-Text; STT) 모듈(402), 자연어 이해(Natural Language Understanding; NLU) 모듈(404), 사용자 데이터베이스(406), 대화 이해 지식베이스(408), 대화 관리 모듈(410), 대화 흐름 관리 모델(412), 대화 생성 모듈(414), 및 음성 합성(Text-To-Speech; TTS) 모듈(416)을 포함한다.4 is a functional block diagram schematically showing the functional configuration of the conversation/task processing unit 304 of FIG. 3 according to an embodiment of the present invention. As shown, the conversation/task processing unit 302 includes a speech-to-text (STT) module 402, a natural language understanding (NLU) module 404, and a user database 406. ), Conversation Understanding Knowledgebase 408, Conversation Management Module 410, Conversation Flow Management Model 412, Conversation Generation Module 414, and Text-To-Speech (TTS) Module 416 do.

본 발명의 일 실시예에 의하면, STT 모듈(402)은, 통신 모듈(302)을 통해 수신된 사용자 입력 중 음성 입력을 수신하고, 수신된 음성 입력을 패턴 매칭 등에 기초하여 텍스트 데이터로 변환할 수 있다. 본 발명의 일 실시예에 의하면, STT 모듈(402)은, 사용자의 음성 입력으로부터 특징을 추출하여 특징 벡터열을 생성할 수 있다. 본 발명의 일 실시예에 의하면, STT 모듈(402)은, DTW(Dynamic Time Warping) 방식이나 HMM 모델(Hidden Markov Model), GMM 모델(Gaussian-Mixture Mode), 딥 신경망 모델, n-gram 모델 등의 다양한 통계적 모델에 기초하여, 텍스트 인식 결과, 예컨대 단어들의 시퀀스를 생성할 수 있다. 본 발명의 일 실시예에 의하면, STT 모듈(402)은, 수신된 음성 입력을 패턴 매칭에 기초하여 텍스트 데이터로 변환할 때, 후술하는 사용자 데이터베이스(406)의 각 사용자 특징적 데이터를 참조할 수 있다. According to an embodiment of the present invention, the STT module 402 may receive a voice input among user inputs received through the communication module 302, and convert the received voice input into text data based on pattern matching or the like. have. According to an embodiment of the present invention, the STT module 402 may generate a feature vector sequence by extracting features from a user's voice input. According to an embodiment of the present invention, the STT module 402 is a DTW (Dynamic Time Warping) method, a HMM model (Hidden Markov Model), a GMM model (Gaussian-Mixture Mode), a deep neural network model, an n-gram model, etc. Based on various statistical models of, it is possible to generate a text recognition result, for example, a sequence of words. According to an embodiment of the present invention, the STT module 402 may refer to each user characteristic data of the user database 406 described below when converting the received voice input into text data based on pattern matching. .

본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 통신 모듈(302) 또는 STT 모듈(402)로부터 텍스트 입력을 수신할 수 있다. 본 발명의 일 실시예에 의하면, NLU 모듈(404)에서 수신되는 텍스트 입력은, 예컨대 통신 모듈(302)에서 통신망(104)을 통하여 사용자 단말(102)로부터 수신되었던 사용자 텍스트 입력 또는 통신 모듈(302)에서 수신된 사용자 음성 입력으로부터 STT 모듈(402)에서 생성된 텍스트 인식 결과, 예컨대 단어들의 시퀀스일 수 있다. 본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 텍스트 입력을 수신하는 것과 함께 또는 그 이후에, 해당 사용자 입력과 연관된 상태 정보, 예컨대 해당 사용자 입력 당시의 사용자 단말(102)의 상태 정보 등을 수신할 수 있다. 전술한 바와 같이, 상태 정보는, 예컨대 사용자 단말(102)에서 사용자 음성 입력 및/또는 텍스트 입력 당시의 해당 사용자 단말(102)에 관련된 여러가지 상태 정보(예컨대, 사용자 단말(102)의 물리적 상태, 소프트웨어 및/또는 하드웨어 상태, 사용자 단말(102) 주위의 환경 상태 정보 등)일 수 있다.According to an embodiment of the present invention, the NLU module 404 may receive text input from the communication module 302 or the STT module 402. According to an embodiment of the present invention, the text input received from the NLU module 404 is, for example, a user text input or communication module 302 received from the user terminal 102 through the communication network 104 in the communication module 302 ), the text recognition result generated by the STT module 402 from the user's voice input received, for example, may be a sequence of words. According to an embodiment of the present invention, the NLU module 404, with or after receiving a text input, status information associated with the user input, such as status information of the user terminal 102 at the time of the user input Etc. can be received. As described above, the status information includes, for example, various status information related to the corresponding user terminal 102 at the time of user voice input and/or text input at the user terminal 102 (eg, physical status of the user terminal 102, software And/or hardware status, environment status information around the user terminal 102, and the like.

본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 대화 이해 지식베이스(408)에 기초하여, 위 수신된 텍스트 입력을 하나 이상의 사용자 인텐트(intent)에 대응시킬 수 있다. 여기서 사용자 인텐트는, 그 사용자 인텐트에 따라 대화형 AI 에이전트 서버(106)에 의해 이해되고 수행될 수 있는 일련의 동작(들)과 연관될 수 있다. 본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 수신된 텍스트 입력을 하나 이상의 사용자 인텐트에 대응시킴에 있어서 전술한 상태 정보를 참조할 수 있다. 본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 수신된 텍스트 입력을 하나 이상의 사용자 인텐트에 대응시킴에 있어서 후술하는 사용자 데이터베이스(406)의 각 사용자 특징적 데이터를 참조할 수 있다.According to an embodiment of the present invention, the NLU module 404 may map the received text input to one or more user intents based on the conversation understanding knowledge base 408. Here, the user intent can be associated with a series of action(s) that can be understood and performed by the interactive AI agent server 106 according to the user intent. According to an embodiment of the present invention, the NLU module 404 may refer to the above-described status information in mapping the received text input to one or more user intents. According to an embodiment of the present invention, the NLU module 404 may refer to each user characteristic data of the user database 406 described later in mapping the received text input to one or more user intents.

본 발명의 일 실시예에 의하면, 사용자 데이터베이스(406)는, 각 사용자별 특징적 데이터를 저장 및 관리하는 데이터베이스일 수 있다. 본 발명의 일 실시예에 의하면, 사용자 데이터베이스(406)는, 예컨대 각 사용자별로 해당 사용자의 이전 대화 기록, 사용자의 발음 특징 정보, 사용자 어휘 선호도, 사용자의 소재지, 설정 언어, 연락처/친구 목록, 기타 다양한 사용자 특징적 정보를 포함할 수 있다. According to an embodiment of the present invention, the user database 406 may be a database that stores and manages characteristic data for each user. According to an embodiment of the present invention, the user database 406 includes, for example, a record of a user's previous conversation for each user, user's pronunciation feature information, user vocabulary preference, user's location, setting language, contact/friend list, etc. It may contain various user-specific information.

본 발명의 일 실시예에 의하면, 전술한 바와 같이, STT 모듈(402)은, 음성 입력을 텍스트 데이터로 변환할 때 사용자 데이터베이스(406)의 각 사용자 특징적 데이터, 예컨대 각 사용자별 발음 특징을 참조함으로써, 보다 정확한 텍스트 데이터를 얻을 수 있다. 본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 사용자 인텐트를 결정할 때 사용자 데이터베이스(406)의 각 사용자 특징적 데이터, 예컨대 각 사용자별 특징이나 맥락을 참조함으로써, 보다 정확한 사용자 인텐트 결정을 할 수 있다.According to an embodiment of the present invention, as described above, when the STT module 402 converts voice input into text data, by referring to each user characteristic data of the user database 406, for example, each user's pronunciation characteristic, , More accurate text data can be obtained. According to an embodiment of the present invention, the NLU module 404 determines more accurate user intent by referring to each user characteristic data of the user database 406, such as a feature or context for each user, when determining the user intent. can do.

본 도면에서는, 각 사용자별 특징적 데이터를 저장 및 관리하는 사용자 데이터베이스(406)가 대화형 AI 에이전트 서버(106)에 배치되는 것으로 도시되어 있으나, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 각 사용자별 특징적 데이터를 저장 및 관리하는 사용자 데이터베이스는, 예컨대 사용자 단말(102)에 존재할 수도 있고, 사용자 단말(102) 및 대화형 AI 에이전트 서버(106)에 분산되어 배치될 수도 있음을 알아야 한다.In this figure, although the user database 406 for storing and managing characteristic data for each user is illustrated as being disposed on the interactive AI agent server 106, the present invention is not limited thereto. According to another embodiment of the present invention, a user database for storing and managing characteristic data for each user may exist, for example, in the user terminal 102 and distributed to the user terminal 102 and the interactive AI agent server 106 It should be noted that it may be deployed.

본 발명의 일 실시예에 의하면, 대화 관리 모듈(410)은, NLU 모듈(404)에 의해 결정된 사용자 인텐트에 따라, 그에 대응하는 일련의 동작 흐름을 생성할 수 있다. 본 발명의 일 실시예에 의하면, 대화 관리 모듈(310)은, 대화 흐름 관리 모델(412)에 기초하여, NLU 모듈(404)로부터 수신된 사용자 인텐트에 대응하여 어떠한 동작, 예컨대 어떠한 대화 응답 및/또는 태스크 수행을 행하여야 할지를 결정하고, 그에 따른 세부 동작 흐름을 생성할 수 있다. According to an embodiment of the present invention, the conversation management module 410 may generate a series of operation flows corresponding to the user intent determined by the NLU module 404. According to one embodiment of the invention, the conversation management module 310, based on the conversation flow management model 412, in response to the user intent received from the NLU module 404, any action, such as any conversation response and /Or determine whether to perform the task, and generate a detailed operation flow accordingly.

본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은, 대화 흐름 관리 모델(412)에 기초하여, NLU 모듈(404)로부터 수신된 사용자 인텐트에 대응하여 어떠한 동작, 예컨대 어떠한 대화 응답 및/또는 태스크 수행을 행하여야 할지를 결정할 수 있다. 본 발명의 일 실시예에 의하면 대화 관리 모듈(410)은 대화 흐름 관리 모델(412)에 기초하여 생성한 응답이 적절한지 여부를 판단하고 응답의 적절성이 소정의 임계치 범위를 벗어나는지 여부에 따라 기계학습을 이용하여 응답을 생성하는 것이 필요한지 여부를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은, 하나의 질문에 대한 응답 후보 리스트와 각 응답 후보의 확률값이 정해져 있는 계층적 대화 흐름 모델을 유지하면서 특정 질문에 대한 응답을 계층적 대화 흐름 모델을 기초로 생성할지 기계학습을 기초로 생성할지에 대해 결정할 수 있다. According to an embodiment of the present disclosure, the conversation management module 410, based on the conversation flow management model 412, responds to a user intent received from the NLU module 404, such as any conversation response and And/or decide whether to perform the task. According to an embodiment of the present invention, the conversation management module 410 determines whether the response generated based on the conversation flow management model 412 is appropriate, and determines whether the response is out of the predetermined threshold range. Learning can be used to determine whether it is necessary to generate a response. According to an embodiment of the present disclosure, the conversation management module 410 hierarchically responds to a specific question while maintaining a hierarchical dialog flow model in which a list of candidates for a single question and a probability value of each candidate is determined. You can decide whether you want to generate based on a conversational flow model or machine learning.

본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은, 사용자의 질문에 대한 계층적 대화 흐름 모델 상의 깊이(depth) 정보를 유지하고, 질문에 대한 응답을 계층적 대화 흐름 모델을 기초로 생성할지 또는 기계학습 모델을 기초로 생성할지 여부를 계산할 수 있다. 본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은, 현재 사용자의 질문에 대해 계층적 대화 흐름 모델 상의 깊이(depth) 정보를 유지하고, 현재 사용자 질문에 대한 응답을 생성할 때, 계층적 대화 흐름 모델에 기초하는 경우 깊이 정보에 따라 가중치를 부여할 수 있다. 예컨대, 대화 관리 모듈(410)은, 사용자의 질문에 대해서 계층적 대화 흐름 모델 상의 깊이 정보가 클수록 해당 응답을 계층적 대화 흐름 모델과 관련된 응답으로 결정할 가능성이 크도록 설정할 수 있다. 예컨대, 계층적 대화 흐름 모델의 경우, 깊이가 깊어질수록 특정한 주제에 대한 질의.응답으로 구성된다. According to one embodiment of the present disclosure, the conversation management module 410 maintains depth information on the hierarchical conversation flow model for the user's question and answers the question based on the hierarchical conversation flow model. You can calculate whether to generate or generate based on the machine learning model. According to one embodiment of the present disclosure, the conversation management module 410 maintains depth information on the hierarchical conversation flow model for the current user's question, and generates a response to the current user's question. If based on the enemy conversation flow model, it can be weighted according to depth information. For example, the conversation management module 410 may set a user's question to have a greater possibility of determining a corresponding response as a response related to the hierarchical conversation flow model, as the depth information on the hierarchical conversation flow model increases. For example, in the case of a hierarchical dialogue flow model, as the depth increases, it consists of questions and answers on specific topics.

본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은 사용자의 질문에 대한 응답을 기계학습을 기초로 생성하는 경우, 계층적 대화 흐름 모델에 해당 응답의 확률을 반영할 수 있다. 예컨대, 대화 관리 모듈(410)은 사용자의 질문이 계층적 대화 흐름 모델 상의 깊이가 6이고, 사용자의 인텐트가 반품 문의이며, 기계학습을 기초로 응답을 생성한 경우, 계층적 대화 흐름 모델에 해당 도메인의 깊이 6에 기계학습을 기초로 생성한 응답을 노드로 추가할 수 있다. 당업자라면, 다양한 인공지능 방식에 따라, 기계학습을 이용하여 특정 질의에 대한 응답 후보를 생성할 수 있음을 알 것이며, 본 개시가 특정 실시예로 제한되는 것은 아님을 알아야 한다.According to an embodiment of the present disclosure, when generating a response to a user's question based on machine learning, the conversation management module 410 may reflect the probability of the corresponding response in the hierarchical conversation flow model. For example, if the user's question has a depth of 6 on a hierarchical conversation flow model, the user's intent is a return inquiry, and the response management module 410 generates a response based on machine learning, the conversation management module 410 uses the hierarchical conversation flow model. The response generated based on machine learning can be added to the depth 6 of the domain as a node. Those skilled in the art will appreciate that, according to various artificial intelligence schemes, machine learning may be used to generate candidate candidates for specific queries, and the present disclosure is not limited to specific embodiments.

본 개시의 일 실시예에 의하면, 대화 관리 모듈(410)은 대화 흐름 관리 모델(412)에 기초하여, NLU 모듈(404)로부터 수신된 사용자 인텐트에 대응하여 응답을 생성하고, 생성된 응답의 확률값을 계산하여 미리 정해진 임계 값과 비교하고, 해당 확률값이 임계 값의 범위를 벗어나는 것으로 판정된 경우, 기계학습을 기초로 응답을 생성할 수 있다. 본 개시의 다른 실시예에 의하면, 대화 관리 모듈(410)은 대화 흐름 관리 모델(412)에 기초하여, NLU 모듈(404)로부터 수신된 사용자 인텐트에 대응하여 응답을 생성하고, 생성된 응답의 확률값을 계산하는 한편, 기계학습을 기초로 응답을 생성하여 생성된 응답의 확률값을 계산하여 비교하고 높은 확률값을 가지는 응답을 적절한 응답을 선택할 수 있다. According to an embodiment of the present disclosure, the conversation management module 410 generates a response in response to the user intent received from the NLU module 404 based on the conversation flow management model 412, and The probability value is calculated and compared with a predetermined threshold value, and when it is determined that the corresponding probability value is outside the range of the threshold value, a response may be generated based on machine learning. According to another embodiment of the present disclosure, the conversation management module 410 generates a response in response to the user intent received from the NLU module 404 based on the conversation flow management model 412, and of the generated response While calculating the probability value, a response can be generated based on machine learning to calculate and compare the probability value of the generated response and select an appropriate response for a response having a high probability value.

본 발명의 일 실시예에 의하면, 대화 이해 지식베이스(408)는, 예컨대 미리 정의된 온톨로지 모델을 포함할 수 있다. 본 발명의 일 실시예에 의하면, 온톨로지 모델은, 예컨대 노드들 간의 계층 구조로 표현될 수 있는데, 각 노드는 사용자의 인텐트에 대응한 "인텐트" 노드 또는 "인텐트" 노드에 링크된 하위 "속성" 노드("인텐트" 노드에 직접 링크되거나 "인텐트" 노드의 "속성" 노드에 다시 링크된 하위 "속성" 노드) 중 하나일 수 있다. 본 발명의 일 실시예에 의하면, "인텐트" 노드와 그 "인텐트" 노드에 직접 또는 간접 링크된 "속성" 노드들은 하나의 도메인을 구성할 수 있고, 온톨로지는 이러한 도메인들의 집합으로 구성될 수 있다. 본 발명의 일 실시예에 의하면, 대화 이해 지식베이스(408)는, 예컨대 대화형 AI 에이전트 시스템이 이해하고 그에 대응한 동작을 수행할 수 있는 모든 인텐트들에 각각 대응하는 도메인들을 포함하도록 구성될 수 있다. 본 발명의 일 실시예에 의하면, 온톨로지 모델은, 노드의 추가나 삭제, 또는 노드 간의 관계의 수정 등에 의해 동적으로 변경될 수 있음을 알아야 한다.According to an embodiment of the present invention, the conversation understanding knowledge base 408 may include, for example, a predefined ontology model. According to an embodiment of the present invention, the ontology model may be represented by, for example, a hierarchical structure between nodes, wherein each node is a subordinate linked to a "intent" node or an "intent" node corresponding to the user's intent. It can be one of the "property" nodes (the child "property" node directly linked to the "intent" node or back linked to the "property" node of the "intent" node). According to an embodiment of the present invention, the "intent" node and the "property" nodes directly or indirectly linked to the "intent" node may constitute one domain, and the ontology may be composed of a set of such domains. Can be. According to one embodiment of the present invention, the conversation understanding knowledge base 408 may be configured to include domains, respectively, corresponding to all intents that the interactive AI agent system can understand and perform an action corresponding thereto. Can be. According to an embodiment of the present invention, it should be noted that the ontology model can be dynamically changed by adding or deleting nodes, or modifying relationships between nodes.

본 발명의 일 실시예에 의하면, 온톨로지 모델 내의 각 도메인의 인텐트 노드 및 속성 노드들은, 그에 대응하는 사용자 인텐트 또는 속성들에 관련된 단어들 및/또는 구절들과 각각 연관될 수 있다. 본 발명의 일 실시예에 의하면, 대화 이해 지식베이스(408)는, 온톨로지 모델을, 계층 구조의 노드들과, 각 노드 별로 연관된 단어들 및/또는 구절들의 집합으로 구성된, 예컨대 어휘 사전 형태(구체적으로 도시되지 않음)로 구현할 수 있고, NLU 모듈(404)은 이와 같이 어휘 사전 형태로 구현된 온톨로지 모델에 기초하여 사용자 인텐트를 결정할 수 있다. 예컨대, 본 발명의 일 실시예에 의하면, NLU 모듈(404)은, 텍스트 입력 또는 단어들의 시퀀스를 수신하면, 그 시퀀스 내의 각 단어들이 온톨로지 모델 내의 어떤 도메인의 어떤 노드들에 연관되는지 결정할 수 있고, 그러한 결정에 기초하여 대응하는 도메인, 즉 사용자 인텐트를 결정할 수 있다. According to an embodiment of the present invention, intent nodes and attribute nodes of each domain in the ontology model may be respectively associated with words and/or phrases related to corresponding user intents or attributes. According to an embodiment of the present invention, the dialogue understanding knowledge base 408 includes an ontology model composed of nodes of a hierarchical structure and a set of words and/or phrases associated with each node, for example, a vocabulary dictionary form (specific (Not shown), and the NLU module 404 may determine the user intent based on the ontology model implemented in the form of a vocabulary dictionary. For example, according to one embodiment of the present invention, the NLU module 404, upon receiving a text input or a sequence of words, can determine which words in each sequence are associated with which nodes in which domain in the ontology model, Based on the determination, a corresponding domain, ie a user intent, can be determined.

본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델(412)은, 주어진 서비스 도메인과 관련하여, 해당 서비스 제공을 위하여 필요한 복수의 하위 인텐트 그룹들 간의 순차적 흐름에 관한 확률적 분포 모델을 포함할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델(412)은, 예컨대 해당 서비스 도메인에 속한 각각의 하위 인텐트 그룹들 간의 순차적 흐름을 확률 그래프 형태로 포함할 수 있다. 본 발명의 일 실시예에 의하면, 대화 흐름 관리 모델(412)은, 예컨대 각각의 하위 인텐트 그룹들 간에 발생할 수 있는 다양한 순차 흐름 상에서 획득된 각 인텐트 그룹의 확률적 분포를 포함할 수 있다. 본 발명의 일 실시예에 의하면, 구체적으로 도시되지는 않았으나, 대화 흐름 관리 모델(412)은, 또한 각 인텐트 그룹에 속한 대화 패턴들의 라이브러리를 포함할 수 있다. According to an embodiment of the present invention, the conversation flow management model 412 includes a probabilistic distribution model for sequential flows among a plurality of sub-intent groups required for providing a corresponding service in relation to a given service domain. Can be. According to an embodiment of the present invention, the conversation flow management model 412 may include, for example, a sequential flow between each sub-intent group belonging to a corresponding service domain in the form of a probability graph. According to one embodiment of the present invention, the conversation flow management model 412 may include, for example, a stochastic distribution of each intent group obtained on various sequential flows that may occur between each sub-intent group. According to an embodiment of the present invention, although not specifically illustrated, the conversation flow management model 412 may also include a library of conversation patterns belonging to each intent group.

본 발명의 일 실시예에 의하면, 대화 생성 모듈(414)은, 대화 관리 모듈(410)에 의해 생성된 동작 흐름에 기초하여 필요한 대화 응답을 생성할 수 있다. 본 발명의 일 실시예에 의하면, 대화 생성 모듈(414)은, 대화 응답 생성시, 예컨대 전술한 사용자 데이터베이스(406)의 사용자 특징적 데이터(예컨대, 사용자의 이전 대화 기록, 사용자의 발음 특징 정보, 사용자 어휘 선호도, 사용자의 소재지, 설정 언어, 연락처/친구 목록, 각 사용자별로 해당 사용자의 이전 대화 기록 등)를 참조할 수 있다.According to an embodiment of the present invention, the conversation generation module 414 may generate a required conversation response based on the operation flow generated by the conversation management module 410. According to an embodiment of the present invention, the conversation generation module 414 generates user-specific data (eg, a user's previous conversation record, user's pronunciation feature information, user) in the above-described user database 406 when generating a conversation response. You can refer to the vocabulary preference, user's location, setting language, contact/friend list, and each user's previous conversation history).

도 1 내지 4를 참조하여 전술한 본 발명의 실시예에서는, 대화형 AI 에이전트 시스템이 사용자 단말(102)과 대화형 AI 에이전트 서버(106) 간의 클라이언트-서버 모델, 특히 클라이언트는 오로지 사용자 입출력 기능만을 제공하고 그 외 대화형 AI 에이전트 시스템의 다른 모든 기능들을 서버에 위임된, 소위 "씬 클라이언트-서버 모델"에 기초하여 구현된 것과 같이 설명되어 있으나, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 대화형 AI 에이전트 시스템은 그 기능들이 사용자 단말과 서버 사이에 분배되어 구현될 수 있고, 또는 그와 달리 사용자 단말 상에 설치된 독립형 애플리케이션으로 구현될 수도 있음을 알아야 한다. 또한, 본 발명의 일 실시예에 따라 대화형 AI 에이전트 시스템이 그 기능들을 사용자 단말과 서버 사이에 분배하여 구현하는 경우, 클라이언트와 서버 사이의 대화형 AI 에이전트 시스템의 각 기능의 분배는 실시예마다 달리 구현될 수 있음을 알아야 한다. 또한, 도 1 내지 4를 참조하여 전술한 본 발명의 실시예에서는, 편의상 특정 모듈이 소정의 동작들을 수행하는 것처럼 설명되었으나, 본 발명이 이로써 제한되는 것은 아니다. 본 발명의 다른 실시예에 의하면, 위 설명에서 어느 특정 모듈에 의해 수행되는 것과 같이 설명된 동작들이, 그와 다른 별개의 모듈에 의해 각각 수행될 수 있음을 알아야 한다.In the embodiment of the present invention described above with reference to FIGS. 1 to 4, the interactive AI agent system is a client-server model between the user terminal 102 and the interactive AI agent server 106, in particular, the client is only a user input/output function. Provided and described as implemented on the basis of the so-called "thin client-server model", which delegates all other functions of the interactive AI agent system to the server, but the invention is not so limited. According to another embodiment of the present invention, it should be noted that the interactive AI agent system may be implemented by distributing its functions between a user terminal and a server, or alternatively, as a standalone application installed on the user terminal. . In addition, according to an embodiment of the present invention, when the interactive AI agent system implements the functions by distributing the functions between the user terminal and the server, the distribution of each function of the interactive AI agent system between the client and the server is for each embodiment. It should be noted that it can be implemented differently. In addition, in the embodiment of the present invention described above with reference to FIGS. 1 to 4, for convenience, a specific module has been described as performing certain operations, but the present invention is not limited thereto. It should be noted that, according to another embodiment of the present invention, the operations described as performed by any particular module in the above description may be performed by separate modules different from that.

도 5는, 도 1의 대화 이해 AI 서비스 서버(106)에 의해 수행될 수 있는, 사용자에게 적절한 응답을 제공하기 위해서 계층적 대화 흐름 모델을 기초로 생성한 응답과 기계학습을 기초로 생성한 응답을 비교하여 선택하는 예시적 동작 흐름을 보여주는 흐름도이다. 이러한 동작 흐름에 의해, 대화 이해 AI 서비스 서버(106)는, 계층적 대화 흐름 모델 또는 기계학습을 기초로하여 적절한 응답을 생성하여 제공할 수 있다. FIG. 5 is a response generated based on a hierarchical dialogue flow model and a response generated based on machine learning to provide an appropriate response to a user, which can be performed by the conversation understanding AI service server 106 of FIG. 1. Is a flow chart showing an exemplary operation flow to select by comparing. By this operation flow, the dialogue understanding AI service server 106 can generate and provide an appropriate response based on a hierarchical dialogue flow model or machine learning.

먼저, 단계(S401)에서, 대화 이해 AI 서비스 서버(106)는, 사용자 단말(102a-102m)로부터 소정의 사용자 입력을 수신할 수 있다. 그런 다음, 단계(S402)에서, 대화 이해 AI 서비스 서버(106)는, 위 수신된 사용자 입력을 분석하여, 해당 자연어 입력에 대응하는 사용자의 인텐트를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는 미리 준비된 지식베이스 모델 등에 기초해서 위 수신된 사용자 입력을 분석하여, 해당 자연어 입력에 대응하는 사용자의 인텐트를 결정할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는 사용자 인텐트를 결정할 때 사용자 데이터베이스(308)의 각 사용자 특징적 데이터, 예컨대 각 사용자별 특징이나 맥락을 참조함으로써, 보다 정확한 사용자 인텐트 결정을 할 수 있다. 본 개시의 일 실시예에 의하면, 대화 이해 AI 서비스 서버(106)는 결정된 사용자 인텐트에 기초하고, 대화 관리를 위한 미리 준비된 소정의 지식베이스 모델 및 신경망 등 기계학습 모델 등에 따라, 위 결정된 사용자 인텐트에 대응하는 일련의 대화 흐름을 생성할 수 있다.First, in step S401, the conversation understanding AI service server 106 may receive a predetermined user input from the user terminals 102a-102m. Then, in step S402, the conversation understanding AI service server 106 may analyze the received user input, and determine an intent of the user corresponding to the corresponding natural language input. According to an embodiment of the present disclosure, the conversation understanding AI service server 106 may analyze the received user input based on a previously prepared knowledge base model, etc., and determine an intent of the user corresponding to the corresponding natural language input. According to one embodiment of the present disclosure, the conversation understanding AI service server 106 refers to each user characteristic data of the user database 308 when determining a user intent, for example, a more accurate user authentication by referring to each user characteristic or context. You can make a tent decision. According to an embodiment of the present disclosure, the conversation understanding AI service server 106 is based on the determined user intent, and according to a predetermined knowledge base model prepared for conversation management and a machine learning model such as a neural network, the determined user authentication is performed. A series of conversation flows corresponding to tents can be created.

단계(S403)에서, 대화 이해 AI 서비스 서버(106)는, 대화 흐름 관리 모델 상의 현재 인텐트 그룹을 결정할 수 있다. 본 개시의 일 실시예에서, 대화 이해 AI 서비스 서버(106)는 대화 흐름 관리 모델 상의 현재 인텐트 그룹의 깊이(depth) 정보를 확인할 수 있다. 본 개시의 일 실시예에서, 대화 이해 AI 서비스 서버(106)는, 대화 흐름 관리 모델 상의 깊이가 깊어질수록 계층적 시나라오 상의 특정 주제로 대화가 진행되는 것으로 이해할 수 있으며, 특정 주제를 벗어난 대화가 나타날 확률이 낮아지는 경향이 있다. 예컨대, 대화 흐름 관리 모델 상의 깊이가 1인 경우 연결될 수 있는 사용자 인텐트의 가지 수 보다, 깊이가 5일 때, 연결될 수 있는 사용자 인텐트의 가지 수가 적을 수 있다. In step S403, the conversation understanding AI service server 106 may determine a current intent group on the conversation flow management model. In one embodiment of the present disclosure, the conversation understanding AI service server 106 may check depth information of the current intent group on the conversation flow management model. In one embodiment of the present disclosure, the conversation understanding AI service server 106 may understand that as the depth on the conversation flow management model deepens, the conversation proceeds to a specific topic on the hierarchical scenario, and the conversation outside the specific topic The probability of appearing tends to decrease. For example, when the depth on the conversation flow management model is 1, when the depth is 5, the number of branches of the user intent that can be connected may be less than the number of user intents that can be connected.

단계(S404)에서, 대화 이해 AI 서비스 서버(106)는, 현재 인텐트 그룹 및 현재 인턴트 그룹의 하위 인텐트 그룹에 대해 사용자의 인텐트 매칭률을 계산할 수 있다. 본 개시의 일 실시예에 있어서, 여러 다양한 방식, 예컨대 단어 매칭률 또는 신경망 등 기계학습 방식에 기초하여 현재 인텐트 그룹 및 현재 인턴트 그룹의 하위 인텐트 그룹에 대해 사용자의 인텐트 매칭률을 계산할 수 있다.In step S404, the conversation understanding AI service server 106 may calculate the intent matching rate of the user for the current intent group and the lower intent group of the current intent group. In one embodiment of the present disclosure, a user's intent matching rate may be calculated for a current intent group and a sub-intent group of the current intent group based on various various methods, such as a word matching rate or a machine learning method such as a neural network. Can be.

단계(S405)에서, 대화 이해 AI 서비스 서버(106)는, 매칭률이 가장 높은 인텐트 그룹을 현재 인텐트 그룹으로 설정할 수 있다. In step S405, the conversation understanding AI service server 106 may set the intent group having the highest matching rate as the current intent group.

단계(S406)에서, 대화 이해 AI 서비스 서버(106)는, 매칭률이 소정의 임계 값을 초과하는지 여부를 판단할 수 있다. 매칭률이 소정의 임계 값을 넘어서는 것으로 판정된 경우, 절차는 단계(S407)로 진행하고, 대화 이해 AI 서비스 서버(106)는, 현재 인텐트 그룹에서 계층적 대화 흐름 모델을 기초로 사용자 입력에 대한 답변을 생성할 수 있다. 본 개시의 일 실시예에 있어서, 계층적 대화 흐름 모델 상의 깊이가 깊어질수록 특정 주제에 관한 대화의 흐름을 가지며 사용자 입력에 대한 답변을 대화 흐름 모델 상에서 준비하는 것의 우선순위가 높아질 수 있다. In step S406, the conversation understanding AI service server 106 may determine whether the matching rate exceeds a predetermined threshold. If it is determined that the matching rate exceeds a predetermined threshold, the procedure proceeds to step S407, and the conversation understanding AI service server 106 is configured to input the user based on the hierarchical conversation flow model in the current intent group. You can create an answer for this. In one embodiment of the present disclosure, as the depth on the hierarchical conversation flow model increases, the priority of preparing a response to a user input on a conversation flow model may increase as a depth of conversation on a specific topic increases.

단계(S408)에서, 대화 이해 AI 서비스 서버(106)는, 매칭률이 소정의 임계 값 이하인 경우, 기계학습 모델로 전환하여 사용자 입력에 대한 답변을 선택할 수 있다. 본 개시의 일 실시예에 있어서, 대화 이해 AI 서비스 서버(106)는 기계학습 모델을 기초로 특정 질문에 대한 응답의 후보 리스트와 확률값을 기계학습을 통해 정의할 수 있다. 본 개시의 일 실시예에 있어서, 대화 이해 AI 서비스 서버(106)는 사전 정의된 특정 질문에 대한 응답의 후보 리스트 중 일부를 선택하여 답변을 준비할 수 있다. In step S408, the conversation understanding AI service server 106 may switch to a machine learning model and select an answer to a user input when the matching rate is equal to or less than a predetermined threshold. In one embodiment of the present disclosure, the conversation understanding AI service server 106 may define a candidate list and a probability value of a response to a specific question through machine learning based on the machine learning model. In one embodiment of the present disclosure, the conversation understanding AI service server 106 may prepare an answer by selecting a part of a candidate list of responses to a specific predefined question.

본 개시의 일 실시예에 있어서, 대화 이해 AI 서비스 서버(106)는 사용자의 입력에 대해서 계층적 대화 흐름 모델 상의 현재 깊이를 계산하고 깊이에 따라 가중치를 조절할 수 있다. 예컨대, 사용자의 입력이 계층적 대화 흐름 모델 상의 얕은 깊이(예컨대 깊이가 1 또는 2 등)에 있는 경우, 기계학습 모델을 기초하는 답변의 가중치를 높게 설정하여 기계학습 모델을 기초로 답변을 준비할 가능성을 높일 수 있으며, 사용자의 입력이 계층적 대화 흐름 모델 상의 깊은 깊이(예컨대 깊이가 4 또는 그 이상)에 있는 경우, 기계학습 모델을 기초하는 답변의 가중치를 낮게 설정하여 기계학습 모델을 기초로 답변을 준비할 가능성을 낮출 수 있다. 당업자라면, 다양한 인공지능 방식에 따라, 기계학습을 이용하여 특정 질의에 대한 응답 후보를 생성할 수 있음을 알 것이며, 본 개시가 특정 실시예로 제한되는 것은 아님을 알아야 한다.In one embodiment of the present disclosure, the conversation understanding AI service server 106 may calculate the current depth on the hierarchical conversation flow model for user input and adjust the weight according to the depth. For example, if the user's input is at a shallow depth (eg, 1 or 2, etc.) on the hierarchical dialogue flow model, an answer based on the machine learning model is prepared by setting the weight of the answer based on the machine learning model high. This can increase the likelihood, and if the user's input is at a deep depth in the hierarchical dialogue flow model (e.g. 4 or higher in depth), then the answer based on the machine learning model is set to a lower weight to build on the machine learning model. It can lower the likelihood of preparing an answer. Those skilled in the art will appreciate that, according to various artificial intelligence schemes, machine learning can be used to generate candidates for responses to specific queries, and the present disclosure is not limited to specific embodiments.

단계(S409)에서, 대화 이해 AI 서비스 서버(106)는, 답변을 출력하고, 절차는 단계(S401)로 돌아가고, 대화 이해 AI 서비스 서버(106)에 의한 동작이 반복될 수 있다. In step S409, the conversation understanding AI service server 106 outputs an answer, the procedure returns to step S401, and the operation by the conversation understanding AI service server 106 may be repeated.

본 개시에 따르면, 계층적 대화 흐름 관리 모델을 기초로 사용자 입력에 대한 답변을 생성하여 대화 흐름 관리 모델 상에서 준비된 상황에서 보다 정확한 답변을 제공할 수 있고, 대화 흐름 관리 모델에서 준비되어 있는 않은 경우에는 예컨대 신경망, 딥러닝 등 기계학습 방식에 기초하여 적절한 답변을 제공할 수 있다. According to the present disclosure, an answer to user input may be generated based on the hierarchical conversation flow management model to provide a more accurate answer in a situation prepared on the conversation flow management model, and when not prepared in the conversation flow management model For example, an appropriate answer can be provided based on a machine learning method such as a neural network or deep learning.

당업자라면 알 수 있듯이, 본 발명이 본 개시에 기술된 예시에 한정되는 것이 아니라 본 개시의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 본 명세서에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있음을 알아야 한다.As will be appreciated by those skilled in the art, the present invention is not limited to the examples described in the present disclosure, but can be variously modified, reconstructed, and replaced without departing from the scope of the present disclosure. It should be understood that the various techniques described herein can be implemented by hardware or software, or a combination of hardware and software.

본 개시의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있다. 본 개시의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.A computer program according to an embodiment of the present disclosure includes a storage medium readable by a computer processor or the like, such as EPROM, EEPROM, non-volatile memory such as a flash memory device, magnetic disks such as internal hard disks and removable disks, magneto-optical disks, and It can be implemented in a form stored in various types of storage media, including CDROM disks. Further, the program code(s) may be implemented in assembly language or machine language. All modifications and changes belonging to the true spirit and scope of the present disclosure are intended to be covered by the following claims.

Claims

As a method for providing answers based on a hybrid hierarchical dialogue flow model that applies machine learning to dialogue management technology, performed by an AI service server,
Generating the hybrid hierarchical dialogue flow model;
Receiving a user's natural language input from a user terminal;
Determining an intent of the user corresponding to the natural language input;
Determining a current intent group on the hybrid hierarchical conversation flow model;
Calculating a matching rate of the intent of the user for each of the current intent group and a lower intent group of the current intent group;
Determining whether the highest matching rate exceeds a predetermined threshold;
When the highest matching rate exceeds a predetermined threshold, selecting an answer to the user's input from the current intent group having the highest matching rate; And
If the highest matching rate is below a predetermined threshold, switching to a deep learning mode and selecting an answer to the user's input
And includes
The step of switching to the deep learning mode and selecting an answer for user input is
And selecting an answer candidate having the highest probability value as an answer based on the probability value of each of the list of candidate candidates for the user's intent generated through the deep learning technique and the list calculated by the deep learning method. How to provide answers based on a hybrid hierarchical dialogue flow model using machine learning.

According to claim 1,
The method further includes setting the intent group having the highest matching rate as a current intent group, and providing a response based on a hybrid hierarchical dialogue flow model using machine learning.

According to claim 1,
The matching rate is a method of providing an answer based on a hybrid hierarchical dialog flow model in which the machine learning is weighted according to the depth of the current intent group in the hierarchical dialog flow model.

delete

According to claim 1,
The probability is a method for providing an answer based on a hybrid hierarchical dialogue flow model using machine learning calculated based on a statistical method or a neural network method.

According to claim 1,
Generating the hybrid hierarchical conversation flow model is
Collecting a plurality of conversation logs related to a given service domain, wherein the service domain includes a plurality of intent groups, and each of the conversation logs includes a plurality of utterance records;
Classifying each of the utterance records into one intent group among the plurality of intent groups according to predetermined criteria;
Grouping the utterance records classified into each corresponding intent group, corresponding to each of the intent groups;
Obtaining a probabilistic distribution of time-series sequential flows between the intent groups based on the sequential flows of the utterance records in each of the conversation logs; And
Establishing or updating a conversational flow management model for the service to include a probabilistic distribution of time-series sequential flows among the acquired intent groups
Method for providing an answer based on a hybrid hierarchical dialogue flow model using machine learning.

The method of claim 6,
The obtaining of the probabilistic distribution is a method of providing an answer based on a hybrid hierarchical dialogue flow model to which machine learning is performed based on a statistical method or a neural network method.

The method of claim 6,
The step of constructing or updating the conversation flow management model for the service includes a hybrid hierarchical conversation flow model in which the conversation flow management model includes machine learning to include the utterance records grouped according to each of the intent groups. How to provide answers on a basis.

A computer-readable recording medium containing one or more instructions,
The one or more instructions, when executed, cause a computer device to perform the method of any one of claims 1 to 3 and 5 to 8.