모바일 에이전트의 사용자 의도 분류 및 태깅 모델에 관한 연구

Abstract

모바일 사용 패턴은 매우 짧은 시간, 자주 기기를 들여다보는 것으로 변화하고 있다. 이러한 생활방식의 변화에 따라 모바일은 사용자가 언제, 무엇을 원하는지 파악하고 그것을 적절한 순간에 제공하기 시작했다. 즉, 사용자가 새로운 것을 배우고, 발견하고, 시청하고, 검색하고, 구매하고자 할 때 사용자의 욕구를 바로 충족시킬 수 있도록 사용자의 의도를 빠르게 이해하는 모바일 에이전트가 필요하다. 이에 본 연구는 모바일 에이전트를 사용하는 사용자의 화행에 따라 사용자의 의도를 분류하였다. 또한, 분류된 의도를 활용하여 실제 모바일 에이전트 개발 시 적용 가능한 확장형 구조의 의도 태깅 모델을 제안하였다. 연구과정은 다음과 같다. 우선, 현재 모바일 에이전트의 현황과 특징을 파악하였다. 음성기반 모바일 에이전트인 구글의 구글나우(Google now), 마이크로소프트의 코타나(Cortana), 삼성의 빅스비(Bixby), 애플의 시리(Siri)와 텍스트기반 모바일 에이전트인 구글의 알로(Allo), 마이크로소프트의 샤오이스(Xiaolce), 페이스북의 엠(M)을 분석하였다. 그 결과 모바일 에이전트가 공통적으로 개방형 플랫폼을 지니고 있었음을 알 수 있었다. 추가적으로 실제 모바일 에이전트의 내부 구조를 파악하였다. 모바일 에이전트의 개발을 위한 개방형 플랫폼인 구글의 Api.ai, 마이크로소프트의 Luis.ai, 페이스북의 Wit.ai에서 사용자의 의도인지구조를 분석하였다. 분석 결과, 모바일 에이전트의 개발 시에 개발자 혹은 서비스 제공자가 사용자의 의도(intent)와 의도 관련 화제어(entity)를 임의적으로 정의하고 있음을 알 수 있었다. 즉, 현황조사 결과 임의적으로 정의 된 의도와 화제어가 사용자의 의도를 정확히 파악할 수 없을 뿐만 아니라, 사용자의 질의 내 복합적인 의도를 체계적으로 정의하지 못한다는 한계점을 파악하였다. 이러한 문제점을 해결하고자 모바일 에이전트 사용 시 나타나는 의도를 분류하였다. 의도 분류를 위해 인간의 의도를 포함하고 있는 언어적 기능이자 행위인 화행(speech act)을 회화분석법에 따라 분석하였다. 우선, 현재 모바일 에이전트에서 사용가능한 기능을 29개로 분류하였다. 그리고 29가지 기능에서 나타나는 사용자의 화행을 분석하였다. 그 결과 모바일 에이전트 사용에서 나타난 발화행위의 의도는 호출, 요청, 금지, 주의, 진술, 질문, 정표진술, 반응, 정보확인, 정보알림, 행위수행 총 11개였다. 이에 사용자-모바일 에이전트간의 다양한 자연 발화의 의도를 처리할 수 있도록 일상생활에서 나타나는 화행 요소를 추가하였다. 최종적으로 사용자와 에이전트 간의 대화에서 나타나는 의도를 37개 도출하였다. 의도 분석에 그치지 않고 본 의도를 기반으로 의도 태깅 모델을 제안하였다. 체계적이고 확장 가능한 구조의 태깅 모델을 구축하기 위하여 화행을 주화행, 의미행위, 보조화행으로 나누었다. 사용자와 에이전트 간의 대화에서 나타난 의도 37개를 사용자의 주된 의도인 ‘주화행’으로 분류하였다. 그리고 사용자와 에이전트간의 발화행위 내 개체를 통해 ‘주화행’에 구체적인 의미를 부여하는 82개의 ‘의미행위’ 요소를 추출하였다. 추가적으로 2개의 ‘보조화행’ 요소를 추출하여 단일 대화가 아닌 혼합 대화의 의도를 처리 가능하도록 하였다. 즉, 모바일 에이전트 사용에서 나타나는 사용자의 의도를 도출 한 것에 그치지 않고, 의도를 ‘주화행’, ‘의미행위’, ‘보조화행’으로 나누어 구조화하고 각각의 요소를 구체적으로 제공한 것이다. 뿐만 아니라, 본 구조의 사용방안을 제안하고자 의도 태깅 모델을 실제 모바일 에이전트 사용 시나리오에 적용하여 보았다. 본 연구는 기존의 임의적 의도 정의에서 벗어나 화행론에 따른 의도 분류 방법 연구함으로써 사용자의 의도를 체계적으로 제시하였다. 또한 모바일 에이전트에 새로운 기능이 추가되어도 확장할 수 있는 의도 태깅 모델을 디자인하였다. 즉, 에이전트의 사용 의도를 시스템과 서비스 제공자 중심이 아닌 사용자 중심으로 정의함으로써 새로운 연구의 관점을 제시했다고 볼 수 있다. ;Mobile usage patterns are changing into looking at devices very often and in a very short time. With this change in lifestyle, mobile has begun to figure out when and what the user wants in order to deliver it at the right moment. That is, there is a need for a mobile agent that quickly understands a user's intention so that a user can immediately meet a user's desire to learn, discover, watch, search, and purchase a new one. In this research, users' intention was classified in accordance with the speech act of users using mobile agents. Also, an intention-tagging model of an extended structure that can be applied at the time of actual mobile agent development was proposed by utilizing the classified intention. The process of the research is as follows. First, we grasp the current state and characteristics of the current mobile agent. This study investigated voice-based mobile agents(Google's Google now, Microsoft's Cortana, Samsung's Bixby, Apple's Siri) and text-based mobile agents(Google's Allo, Microsoft's Xiaolce, and Facebook's M). As a result, It figured out that mobile agents generally had an open platform. Furthermore, this research figured out the internal structure of the mobile agent. To do this, the intention cognitive structure of users in Api.ai of Google, Luis.ai of Microsoft, and Wit.ai of Facebook, which are open platforms for developing mobile agents are analyzed. As a result of the analysis, it can be seen that the developer or the service provider arbitrarily defines the intent and the intention association entity of the user when developing the mobile agent. In that, this research found that the arbitrarily defined intention and the entities were not able to accurately grasp the user’s intention, but also could not define the complex intention of the user in the query. To solve these problems, this research classified the intentions in using mobile agent.it analyzed the speech act which is a linguistic functions or an act including human intention according to Conversation Analysis. First, the available functions of the mobile agent are classified into 29 functions. As a result, the intention of the conversation action by using mobile agent is 11 which is Ask, Attention, Ben, Comply, Confirm, Inform, Request, Response, State, Stateemotion, Call. Also, in order to handle the intention in a various natural conversation between the user and the agent, it added the element of the speech act in a daily life. Finally it derived 37 intentions from the dialog between user and agent. In addition to intention analysis, this research proposed intention tagging model based on intention. it divided the speech act into the main speech act, the semantic act, and the auxiliary speech act. The 37 intention of the conversation between agent and user are classified as 'the main speech act' which is the main intention of the user. Also, it extracted 82 'semantic behavior' elements that give specific meaning to 'coinage' through the objects in the speech act between user and agent. In addition, it extracted two 'auxiliary speech act' elements so that it could handle the intention of the mixed conversation rather than the single conversation. In other words, not only the user's intention displayed by the use of the mobile agent is derived, the intention is structured by dividing it into 'main speech act', 'semantic act' and 'auxiliary speech act'. In addition, In order to propose the use of this structure, it explained a practical application in case of mobile agent usage scenario when used as intention-tagging model. This research intentionally classified user 's intention by studying intention classification method based on speech act out of the conventional arbitrary intention definition. It also designed an intention tag model that can be expanded even if new functions are added to the mobile agent. In other words, it can be seen that the perspective of a new research was presented by defining the use intention of the agent not by the system and the service provider, but by the user.