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
- . 둘째는 기계학습 기 술에 의한 자연 언어 처리의 가능성을 연구하고자 하는 것이다. 이를 위해서는 형태소 학습, 구문 학습, 의미 학습 등이 모두 필요하나 본 논문에서는 그 첫 단계라고 할 수 있는 형태소 학습에 치중한다.
- 앞 절에서 설명하였듯이 한 가지의 통계치 만을 가지고 어떤 스트링이 형식 형태소인지를 판단하기는 어렵다. 따라서 본 절에서는 통계적 방식을 기초로 한 다단계 형태소 학습/분리 방식을 제안한다. 이 방식에서는 형식 형태소 후 보외 파악을 위해 이항 검정 (T-test)을 사용하였으며 동일 어철의 반복적 출현은 1회로 간수하였다.
- 마지막으로, 본 연구의 결과를 유사한 특징을 가진 외국 어에 적용함으로써 언어에의 비의존성을 시험해보는 것도 향후의 중요한 연구 방향의 하나이다. 예를 들어 일본어의 경우 띄어쓰기가 없는 것을 제외하면 우리말과 매우 유사한 형태소 결합 구조를 가지고 있다.
- . 본 논문에서는 사전 없이 한국어 의 실질 형태소와 형식 형태소를 분리해내는 기법에 대하여 기술한다. 본 연구에는 두 가지 목적이 있다.
- 우선 어말이 형식형태소로 사용될 확률과 어두가 실질형 태소로 사용될 확률을 구해보자. 어느 스트링 s 가 나타날 확률을 力라고 하고 이것이 어미에서 나타날 확률을女 라 고 하자.
가설 설정
- . 또한 형식 형태소가 아닌 음절들은 무작위로 (random) 선택된다고 가정하면 형식 형태소는 어절 끝에 나타날 확률 0 가 如 보다 클 것이다. 力 를 표본에서 의 어 절 끝 촐현 확률, 枷 를 귀무 가설(null hypothesis)에 의한 음 절의 출현 확률, N을 음절 수(시행 횟수)로 볼 떼, T-test 의 공식은 식 (1)과 같다.
- 실질 형태소의 분리도 영향을 미칠 것이다. 예를 들어 “예산결산위원히”같은 복합 명사가 있을 경우 “예산” “결산” "위원회”라는 단어에 대한 지식이 있더라도 현재로서는 하나의 실질 형태소라는 명확한 증거가 없어 이러한 복합어 에 빈도가 낮은 어미가 결합되면 분리에 실패하여 하나의 단어(측, E 어미)로 취급될 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.