선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 논문에서는 한국어 대화체 번역의 성능 향상을 위하여 논항 구조에 기반한 한국어 분석 시스템을 제안한다. 논항 구조에 기반한 분석은 한국어의 부분 자유 어순 특성으로 인하여 문법의 수를 줄일 수 있고, 불필요한 성분을 처리하기 위하여 문법 규칙에 맞지 않는 성분을 건너 띄어 분석하기 위한 방식에 의한 처리방법 [13, 14] 과 같은 별도의 메커니즘이 필요 없이 강건한 분석을 할 수 있다.
- 이러한 문제점을 해결하기 위하여 본 논문에서는 서술어가 지배하는 성분 중에서 중요한 의미를 갖는 논항을 이용하여 문법을 기술하였다. 실험을 위하여 사용된데이타는 여행안내 영역 중에서 1, 335개의 훈련된 발화문과 420개의 훈련되지 않은 발화문으로, 실험 결과 훈련된 발화문은 99.
제안 방법
- 하였다. 2차 실험에서는 712개의 발화문, 3차 실험에서는 1, 020개의 발화문, 4차 실험에서는 1, 335개의 발화문으로 훈련 발화문을 단계적으로 확대하면서 실험을 하였고, 실험 발화문을 확대하면서 논항 사전과 문법을 평가하고 확장하는 과정으로 훈련하였다. 훈련되지 않은 발화문은 훈련된 발화문에 의하여 단계적으로 확대된 논항과 문법을 적용하여 각각 실험하였다.
- 구 결합이 끝난 후에 파서는 논항 사전과 서술어 문법을 이용하여 서슬어 단위로 어절 필터링을 수행한다.
- 대화체 분석에 대한 실험 결과는 분석의 성공 여부에 따라 완전 실패', '부분 실패', '성공'으로 구분하여 평가하였다. 완전 실패는 분석이 전혀 되지 않거나 잘못된 경우이고, 부분 실패는 입력 발화문의 일부만이 분석이 된 경우이며, 성공은 완전 실패와 부분 실패를 제외한 결과로 올바른 분석 결과를 의미한다’
- 대화체 분석을 위한 기존의 문법은 매칭이 될 수 있는 개념이나 요소들을 나열하여 분석을 하였다. 이렇게 문법을 구성할 경우 한국어의 부분 자유 어순 특성상 문법이 방대해지므로 문법의 작성 및 관리가 어려워지는 문제점이 발생한다.
- 특성을 효과적으로 해결하였다. 또한 대화체 분석에 불필요한 성분이 문법으로부터 제거되기 때문에 문법 규칙에 맞지 않는 성분을 건너띄어 분석하기 위한 방식과 같은 별도의 메커니즘 없이 대화체에서 요구되는 강건한 분석을 하였다.
- 논항 구조에 기반한 분석은 한국어의 부분 자유 어순 특성으로 인하여 문법의 수를 줄일 수 있고, 불필요한 성분을 처리하기 위하여 문법 규칙에 맞지 않는 성분을 건너 띄어 분석하기 위한 방식에 의한 처리방법 [13, 14] 과 같은 별도의 메커니즘이 필요 없이 강건한 분석을 할 수 있다. 또한 문장을 분석할 때 구조적 모호성을 줄이고, 번역할 때 정확한 의미 전달을 위하여 문법을 구성할 때 조사를 포함하였다.
- 또한 분석 시스템의 부담을 줄이고 분석 결과의 모호성을 감소시키기 위하여 어절 결합 규칙을 이용하여 결합 가능한 어절을 결합한다. 어절 결합은 이전의 어절에 조사가 없고, 의미 태그가 같으면 두 어절을 하나로 묶어 새로운 하나의 어절로 결합한다.
- 전처리 과정에서는 입력된 각명사의 어절에 대하여 의미 태그 사전을 이용하여 의미 태그를 부여한다. 명사의 의미 태그 부여는 의미 태그 사전에 해당 명사가 있으면 의미 태그를 부여하여 분석을 수행하고, 태그 사전에 없으면 품사 태그로 대체하여 분석을 수행한다.
- 본 논문에서는 서술어에 따라 논항 구조에 기반한 문법을 구성한다. 분석 문법은 구(phrase) 문법과 서술어 문법으로 구분하여 작성한다.
- 또한, 작성자의 주관이 많이 개입되기 때문에 신뢰성이나 객관성에 문제가 있을 수 있다. 본 연구에서 명사의 의미 자질은 실험 대상으로 하는 말뭉치인 '여행 안내' 영역 152개 대화인 1, 607 문장을 조사하여 의미별로 많이 출현하는 단어를 조사하여 이들 명사의 의미 속성을 바탕으로 의미 자질을 정의하였다. 즉, '여행 안내' 영역은 장소와 시간 등에 많은 의미가 있고 의미 전달이 중요한 요소가 되기 때문에 이를 고려하여 도메인에서 니타나는 빈도가 높은 자질을 중심으로 동물, 사람, 장소, 날짜 시간, 교통수단, 숫자, 음식 식사, 화폐, 고유명사, 신용카드, 사람이름, 발착, 알파벳, 여행의 14가지로 구분하여 설정하였다.
- 분석은 입력 발화문에서 출현하는 모든 서술어에 대하여 서술어 단위로 분석을 하는데 입력 토큰의 앞부분부터 서술어가 나타나는 부분까지를 분석 단위로 구분하여 분석한다.
- 서술어 문법은 말뭉치로부터 추출된 231개의 각 서술어에 대하여 논항을 추출하여 논항 번호에 의하어 작성하였디-. 서술어 '가다'에 대한 서술어 문법의 일부를 표 2에 나타내었다.
- 본 연구에서 명사의 의미 자질은 실험 대상으로 하는 말뭉치인 '여행 안내' 영역 152개 대화인 1, 607 문장을 조사하여 의미별로 많이 출현하는 단어를 조사하여 이들 명사의 의미 속성을 바탕으로 의미 자질을 정의하였다. 즉, '여행 안내' 영역은 장소와 시간 등에 많은 의미가 있고 의미 전달이 중요한 요소가 되기 때문에 이를 고려하여 도메인에서 니타나는 빈도가 높은 자질을 중심으로 동물, 사람, 장소, 날짜 시간, 교통수단, 숫자, 음식 식사, 화폐, 고유명사, 신용카드, 사람이름, 발착, 알파벳, 여행의 14가지로 구분하여 설정하였다.
- 어절을 취하는 것이다. 즉, 서술어 문법에는 각각의 서술어가 취할 수 있는 논항들이 기술되어 있으며, 이 정보를 이용하여 서술어 앞에 나타나는 어절들을 검사하여 분석을 한다. 한 문장에 여러 개의 서술어가 존재할 경우 서술어 이후의 토큰부터 다음 서술어까지를 단위로 입력 토큰열이 끝날 때까지 계속하여 분석을 수행한다.
- 즉, 서술어 문법에는 각각의 서술어가 취할 수 있는 논항들이 기술되어 있으며, 이 정보를 이용하여 서술어 앞에 나타나는 어절들을 검사하여 분석을 한다. 한 문장에 여러 개의 서술어가 존재할 경우 서술어 이후의 토큰부터 다음 서술어까지를 단위로 입력 토큰열이 끝날 때까지 계속하여 분석을 수행한다. 그림 4에 어절 필터링 알고리즘을 나타내었다.
- 훈련 방법은 일차적으로 403개의 발화문을 분석하여 논항 사전을 만들고 논항 사전을 바탕으로 분석 문법을 만들어 훈련된 발화문과 훈련되지 않은 발화문을 각각 실험을 하였다. 2차 실험에서는 712개의 발화문, 3차 실험에서는 1, 020개의 발화문, 4차 실험에서는 1, 335개의 발화문으로 훈련 발화문을 단계적으로 확대하면서 실험을 하였고, 실험 발화문을 확대하면서 논항 사전과 문법을 평가하고 확장하는 과정으로 훈련하였다.
- 2차 실험에서는 712개의 발화문, 3차 실험에서는 1, 020개의 발화문, 4차 실험에서는 1, 335개의 발화문으로 훈련 발화문을 단계적으로 확대하면서 실험을 하였고, 실험 발화문을 확대하면서 논항 사전과 문법을 평가하고 확장하는 과정으로 훈련하였다. 훈련되지 않은 발화문은 훈련된 발화문에 의하여 단계적으로 확대된 논항과 문법을 적용하여 각각 실험하였다.
대상 데이터
- 논항 구조에 기반한 한국어 대화체 분석은 전화 상의 대화를 전사한 '여행안내' 영역의 말뭉치를 대상으로 하였다. 말뭉치에서 나타나는 발화문에 대한 분석 결과 의예를 그림 5에 나타냈다.
- 본 논문에서 실험을 위하여 사용된 데이타는 한국전자통신연구원(ETRD corpus인 '여행 안내' 영역 중에서 1, 335개의 훈련된 발화문과 420개의 훈련되지 않은 발화문을 대상으로 실험하였다.
- 분석 시스템은 대화체 문장을 형태소 분석하여 얻은 토 큰 열 정보를 입력받아 수행한다. 대화체 문장은 문어체와는 달리 많은 특성을 가지고 있기 때문에 대화체 문장을 처리하기 위하여 문어체 형태소 결과를 그대로 사용할 수 없다.
성능/효과
- 논항 구조 기반 문법은 순서에 관계없이 문법을 기술하고, 논항이 문장의 어느 위치에 나타나든 관계없이 분석이 가능하므로 한국어의 부분 자유 어순 특성과 디화체 특성을 효과적으로 해결하였다. 또한 대화체 분석에 불필요한 성분이 문법으로부터 제거되기 때문에 문법 규칙에 맞지 않는 성분을 건너띄어 분석하기 위한 방식과 같은 별도의 메커니즘 없이 대화체에서 요구되는 강건한 분석을 하였다.
- 실험 결과는 표 3과 같이 나타났는데 1, 335개의 훈련된 발화문은 99.7%의 성공률을 보이고, 420개의 훈련되지 않은 발화문에서는 93.3%의 성공률을 보이고 있다. 훈련된 발화문 수를 확대하여 문법을 더 확장할 경우 훈련되지 않은 발화문의 성공률은 계속 증가하여 훈련된 발화문의 성공률에 근접할 것으로 예상된다.
- 이용하여 문법을 기술하였다. 실험을 위하여 사용된데이타는 여행안내 영역 중에서 1, 335개의 훈련된 발화문과 420개의 훈련되지 않은 발화문으로, 실험 결과 훈련된 발화문은 99.7%, 훈련되지 않은 발화문은 93.3%의 분석 성공률을 보였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.