https://research.google.com/semantris/

단어가 제시되면 그와 비슷한 의미를 갖는 단어를 입력하여 블럭을 제거하는 게임입니다. 예를 들어, 'apple -> fruit', 'piano' -> 'music' 같은 식으로 하면 됩니다.

얼핏 보면 word2vec과 비슷하지만 universal-sentence-encoder라고 더욱 발전된 모델입니다. word2vec은 데이터에서 주변에 있는 단어를 비슷한 벡터로 만들지만 이 모델은 문장을 사용한다는 것이 가장 큰 차이입니다. 문장을 입력하면 512차원의 벡터를 리턴합니다. 이 값을 사용해서 문장사이의 유사도를 측정할 수 있습니다. 아래와 같이 비슷한 뜻의 문장은 벡터 역시 유사한 값으로 나옵니다.

how old are you -> (0.3, 0.2, 0.4, ...)
what is your age -> (0.2, 0.1, 0.3, ...)
my phone is good -> (0.9, 0.6, 0.8, ...)

올해 4월 구글이 'Talk to books'라는 새로운 서비스를 출시했는데 여기에 이 알고리즘이 사용되었습니다. 기존 검색이 룰베이스나 통계기반으로 동작하는데 비해, 딥러닝으로 질문과 비슷한 뜻을 가진 문장을 책에서 찾아냅니다.

http://aidev.co.kr/chatbotdeeplearning/4732

예전에 챗봇에서 유사한 문장을 인식하는 방법에 대해서 위와 같은 글을 쓴 적이 있는데요. 지금은 챗봇 구현시 같은 의도에 대해서 사람이 수십개의 문장을 입력해야 합니다. 하지만 이와 같은 방법이 도입되면 적은 수의 문장만 넣어도 인공지능이 자동으로 비슷한 의도를 찾아주기 때문에 좀 더 쉽게 챗봇을 개발할 수 있을 것 같습니다.

< 설명 페이지 >
-> https://research.google.com/semanticexp…/for-developers.html

< Talk to Books >
-> https://books.google.com/talktobooks/