에세이 분류 장치의 동작 방법에 있어서,에세이를 구성하는 문장의 단어들에 대한 은닉 벡터를 획득하는 단계;상기 은닉 벡터를 이용하여 상기 단어들 각각에 대한 컨텍스트 벡터를 계산하는 단계;상기 계산된 컨텍스트 벡터를 이용하여 상기 에세이에 대한 특징 벡터를 획득하는 단계; 및상기 특징 벡터를 기학습된 학습 에세이들의 특징 벡터와 비교하여 상기 에세이의 창의성을 분류하는 단계를 포함하고,상기 계산된 컨텍스트 벡터를 이용하여 상기 에세이에 대한 통합 점수를 획득하는 단계는,상기 문장 내 단어들 각각에 대해 계산된 컨텍스트 벡터를 합산하는 단계;문장 단위의 상기 합산된 컨텍스트 벡터를 오토인코더에 입력하는 단계; 및상기 오토인코더로부터 상기 에세이에 대한 특징 벡터를 획득하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

제1항에 있어서,상기 에세이를 구성하는 문장의 단어들에 대한 은닉 벡터를 획득하는 단계는,상기 에세이를 문장 단위로 나누고, 나뉘어진 해당 문장들을 단어 단위로 토큰화하는 단계;상기 토큰화된 단어들에 대해 임베딩을 수행하는 단계; 및LSTM 모델을 이용하여 상기 임베딩된 단어들을 압축하여 상기 은닉 벡터를 획득하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

제1항에 있어서,상기 단어 각각에 대한 컨텍스트 벡터를 계산하는 단계는,상기 단어 각각에 대해서 IDF(Inverse document frequency, 역문서 빈도)를 이용하여 제1 점수를 획득하는 단계;상기 단어 각각에 대해서 어텐션(Attention) 기법을 이용하여 제2 점수를 획득하는 단계; 및상기 제1 점수 및 상기 제2 점수를 미리 정해진 비율로 조합하여 상기 단어 각각에 대한 컨텍스트 벡터를 계산하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

제3항에 있어서,상기 단어 각각에 대해서 어텐션(Attention) 기법을 이용하여 제2 점수를 획득하는 단계는,상기 단어 각각에 대해 LSTM 모델에 입력한 결과 벡터와 상기 은닉 벡터를 내적하여 상기 제2 점수를 획득하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

삭제

제1항에 있어서,상기 특징 벡터를 기학습된 학습 에세이들의 특징 벡터와 비교하여 상기 에세이의 창의성을 분류하는 단계는,상기 특징 벡터와 상기 기학습된 복수의 에세이들의 특징 벡터 간의 평균을 계산하는 단계; 및상기 특징 벡터와 상기 기학습된 복수의 에세이들의 특징 벡터 간의 코사인 유사도를 계산하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

제6항에 있어서,상기 코사인 유사도가 상기 계산된 평균 보다 작은 경우, 해당 에세이를 창의적인 에세이로 분류하는 단계; 및상기 코사인 유사도가 상기 계산된 평균 이상인 경우, 해당 에세이를 창의적이지 않은 에세이로 분류하는 단계를 포함하는,에세이 분류 장치의 동작 방법.

제1항에 있어서,상기 기학습된 학습 에세이들의 특징 벡터는,창의적으로 판단된 복수 개의 에세이에 대해 학습된 특징 벡터; 및창의적이지 않은 것으로 판단된 복수 개의 에세이에 대해 학습된 특징 벡터를 합산한 평균 벡터인,에세이 분류 장치의 동작 방법.

하드웨어와 결합되어 제1항 내지 제4항 및 제6항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램.

에세이 분류 장치에 있어서,하나 이상의 프로세서;메모리; 및상기 메모리에 저장되어 있으며 상기 하나 이상의 프로세서에 의하여 실행되도록 구성되는 하나 이상의 프로그램을 포함하고,상기 프로그램은,에세이를 구성하는 문장의 단어들에 대한 은닉 벡터를 획득하는 단계;상기 은닉 벡터를 이용하여 상기 단어 각각에 대한 컨텍스트 벡터를 계산하는 단계;상기 계산된 컨텍스트 벡터를 이용하여 상기 에세이에 대한 특징 벡터를 획득하는 단계; 및상기 특징 벡터를 기학습된 학습 에세이들의 특징 벡터와 비교하여 상기 에세이의 창의성을 분류하는 단계를 포함하고,상기 계산된 컨텍스트 벡터를 이용하여 상기 에세이에 대한 통합 점수를 획득하는 단계는,상기 문장 내 단어들 각각에 대해 계산된 컨텍스트 벡터를 합산하는 단계;문장 단위의 상기 합산된 컨텍스트 벡터를 오토인코더에 입력하는 단계; 및상기 오토인코더로부터 상기 에세이에 대한 특징 벡터를 획득하는 단계를 포함하는,에세이 분류 장치.

제10항에 있어서,상기 에세이를 구성하는 문장의 단어들에 대한 은닉 벡터를 획득하는 단계는,상기 에세이를 문장 단위로 나누고, 나뉘어진 해당 문장들을 단어 단위로 토큰화하는 단계;상기 토큰화된 단어들에 대해 임베딩을 수행하는 단계; 및LSTM 모델을 이용하여 상기 임베딩된 단어들을 압축하여 상기 은닉 벡터를 획득하는 단계를 포함하는,에세이 분류 장치.

제10항에 있어서,상기 단어 각각에 대한 컨텍스트 벡터를 계산하는 단계는,상기 단어 각각에 대해서 IDF(Inverse document frequency, 역문서 빈도)를 이용하여 제1 점수를 획득하는 단계;상기 단어 각각에 대해서 어텐션(Attention) 기법을 이용하여 제2 점수를 획득하는 단계; 및상기 제1 점수 및 상기 제2 점수를 미리 정해진 비율로 조합하여 상기 단어 각각에 대한 컨텍스트 벡터를 계산하는 단계를 포함하는,에세이 분류 장치.

제12항에 있어서,상기 단어 각각에 대해서 어텐션(Attention) 기법을 이용하여 제2 점수를 획득하는 단계는,상기 단어 각각에 대해 LSTM 모델에 입력한 결과 벡터와 상기 은닉 벡터를 내적하여 상기 제2 점수를 획득하는 단계를 포함하는,에세이 분류 장치.

삭제

제10항에 있어서,상기 특징 벡터를 기학습된 학습 에세이들의 특징 벡터와 비교하여 상기 에세이의 창의성을 분류하는 단계는,상기 특징 벡터와 상기 기학습된 복수의 에세이들의 특징 벡터 간의 평균을 계산하는 단계; 및상기 특징 벡터와 상기 기학습된 복수의 에세이들의 특징 벡터 간의 코사인 유사도를 계산하는 단계를 포함하는,에세이 분류 장치.

제15항에 있어서,상기 코사인 유사도가 상기 계산된 평균 보다 작은 경우, 해당 에세이를 창의적인 에세이로 분류하는 단계; 및상기 코사인 유사도가 상기 계산된 평균 이상인 경우, 해당 에세이를 창의적이지 않은 에세이로 분류하는 단계를 포함하는,에세이 분류 장치.

제10항에 있어서,상기 기학습된 학습 에세이들의 특징 벡터는,창의적으로 판단된 복수 개의 에세이에 대해 학습된 특징 벡터; 및창의적이지 않은 것으로 판단된 복수 개의 에세이에 대해 학습된 특징 벡터를 합산한 평균 벡터인,에세이 분류 장치.