[논문]구문 지시자를 통합한 통계적 어의애매성 해결

김권양; 최재혁

문제 정의

높지 않은 편이다. 따라서 문장 내의 제약된 범위 내에서 주어진 동사의 왼쪽 혹은 오른쪽으로 처음 만나는 특정 후치사가 붙은 명사와 같이 제약된 정보를 이용함으로써 강력한 구문분석기 사용에 대한 대안을 제시하고자 한다. Brown 등은 어의 애매성을 해결하기 위한 단서를 추출하기 위해 강력한 구문 분석기 대신에 왼쪽으로 처음 만나는 명사나 오른쪽으로 처음 만나는 동사와 같은 정보를 사용하였다[3].
따라서 사람도 이러한 제약된 문맥 표현만 가지고서 어의 애매성을 시도한다면 정확한 의미를 결정할 수 없을 것이다. 본 논문에서는 애매한 의미를 가지는 동사와 문맥 내에 있는 주변 단어 간의 직접적인 구문 관계에 기반한 지시자들을 통합함으로써 한국어 타동사의 어의 애매성을 해결하는 통계적 방법을 제안하였다. 이 방법은 주어진 타동사와 구문 관계툘 고려하지 않은 무순서적인 주변 단어들 외에 술어-논항, 수식어.
본 논문에서는 주어진 동사의 어의 애매성을 해결하기 위해 해당 동사와 문맥 상의 주변 단어들 사이의 구문 관계에 기반한 구문 지시자를 사용한다.
본 논문에서는 지도학습(supervise learning) 방법에 기반하여 한국어 동사에 대한 어의 애매성을 해결하는 통계적인 방법을 제안한다. 이 방법은 애매한 의미를 가지는 동사와 주변 단어들 사이에 가지는 구문 관계인 지시자(indicator)들을 통합한 방법으로 각 지시자들에 대한 모든 증거들을 통합하여 어의 애매성 해결을 시도한다.

제안 방법

관한 단서를 정의하였다[1]. 또한 비교적 많은 수의 의미를 가지며 또한 이들 의미간에 관련성이 심한 두 동사 '쓰다와 '막다, 가 말뭉치 내에서 사용된 문장들을 분석하여 동사와 문맥 내에 있는 주변 단어 사이의 구문 관계에 따라 수식-피수식 구문에 관한 구문 지시자를 정의하였다. 다음은 본 논문에서 정의한 구문 관계에 따른 12 개의 구문 지시자 유형을 제시한다.
본 논문에서 제시한 어의 애매성 해결 방법은 주어진 단어의 가능한 의미들과 문맥 사이에 의미적 관련성에 기반한다. 애매한 의미를 가지는 단어에 대하여 문맥 내의 올바른 의미는 해당 단어가 가지는 모든 가능한 의미들 중에서 문맥과 가장 의미적 관계가 높은 의미를 선택함으로서결정된다.
또한 지시자-4는 지시자-1, 2, 3을 지시자-9는 지시자-7, 8올 보완하기 위한 지시자로 이들 각각 지시자보다는 낮은 가중치를 보였다. 본 논문에서 제안한 어의 애매성 해결 방법은 Ng[ll]의 방법에 비해 주어진 단어와 그 단어가 포함된 문맥 내 주변 단어들 사이의 구문 관계에 더 비중을 둔 것이다. 동사와 문장 내 주변 단어 돌은 술어-논항 관계나 수식-피수식 관계 등의 구문 관계를 가지며, 이 구문 관계에 따른 문 성분들은 그 동사의 의미와 밀접한 관계를 가진다.
본 논문에서 제안한 어의 애매성 해결기는 기존 지도학습 방법과 같이 학습 단계와 시험 단계로 구성된다’ 먼저, 실험 대상인 말뭉치로부터 주어진 동사를 포함하는 모든 문장올 추출하고, 이들 문장 내에서 동사가 가지는 올바른 의미를 사전 정의를 기반으로 수작업에 의해 배정한다. 학습 단계에서는 주어진 동사가 포함된 학습 문장 각각에 대해 그 동사와 구문 관계를 가지는 모든 지시자들을 추출하고, 이들 지시자들은 각 지시자의 유형에 따라 이미 수작업에 의해 부여된 그 문장 내에서의 동사 의미와 함께, 지시자/동사 의미/빈도수, 의 형태로 각 해당 지시자 라이브러리에 기록된다.
실험을 하였다. 실험 1은 같은 학습 자료와 시험 자료를 사용하여 어의 애매성 해결을 수행한 후 정확도를 측정하였다. 정확도는 시험 대상 문장 수에 대한 정확히 의미 구분된 문장 수의 비율로 계산된다.
실험 2는 말뭉치 내의 문장 중에서 임의로 90%의 문장을 선택하여 이를 먼저 학습한 후에 나머지 10%의 문장에 대하여 그 동사의 어의 애매성을 해결하는 실험올 수행하였다. 임의 문장을 선택함으로써 발생하는 정확도의 편차를 줄이기 위해, 임의로 분리된 학습 데이타와 시험 데이타 상에서 100회 실험을 수행한 후 그 정확도의 평균값을 측정하였고 또한 가중치를 사용하지 않았을 때와 가중치를 사용하였을 때의 평균 정확도의 개선 정도를 측정하였다.
이 방법은 애매한 의미를 가지는 동사와 주변 단어들 사이에 가지는 구문 관계인 지시자(indicator)들을 통합한 방법으로 각 지시자들에 대한 모든 증거들을 통합하여 어의 애매성 해결을 시도한다. 애매한 의미틀 가지는 단어의 주변 단어에 대한 무순 서적인 빈도수 정보 대신에 동사-목적어, 동사-장소, 동사-도구, 수식-피수식 그리고 이들의 복합 형태와 같은 구문 관계에 기반한 지시자들을 공기 정보로 사용하여 어의 애매성 해결을 시도한다.
어의 애매성 해결 실험올 위해 말뭉치 내의 10 개 타동사의 모든 출현을 미리 수작업으로 사전의 의미와 대응되는 의미를 부여하고, 다음 두 가지 실험을 하였다. 실험 1은 같은 학습 자료와 시험 자료를 사용하여 어의 애매성 해결을 수행한 후 정확도를 측정하였다.
해결하는 실험올 수행하였다. 임의 문장을 선택함으로써 발생하는 정확도의 편차를 줄이기 위해, 임의로 분리된 학습 데이타와 시험 데이타 상에서 100회 실험을 수행한 후 그 정확도의 평균값을 측정하였고 또한 가중치를 사용하지 않았을 때와 가중치를 사용하였을 때의 평균 정확도의 개선 정도를 측정하였다.

대상 데이터

백4십만 단어이고 23, 113개의 표제어로 구성되어 있다. 본 논문에서 제안한 어의 애매성 해결 방법을 평가하기 위해 말뭉치 내의 출현 빈도수와 사전 상의 의미 구분의 수가 비교적 큰 10개의 타동사 '나누다', '막다', '만들다', '묻다', '받다', '세우다', '쓰다', , 얻다', , 잡다', '짓다'를 실험 대상으로 삼았다.

성능/효과

<표 2>는 본 논문에서 지시한 구문 관계에 기반한 12개의 지시자를 사용한 어의 애매성 해결방법, 열이 가장 빈도수가 높은 의미를 을바른 의미로 선택하는 기준 정확도(baseline)보다 우수하며, 또한 무순서적인 주변 단어 사용인 112 열의 정확도 결과보다 평균 11%의 정확도 향상을 보여준다.
다른 동사에 비해 실험 대상인 말뭉치 내에서 출현 빈도수가 크고, 사전 내에서 정의돤 의미 구분의 수가 커서 어의 애매성이 비교적 심한 10 개 타동사 '나누다, , '막다; '만들다', '묻다', '받다', '세우다', '쓰다', , 얻다', '잡다', 짓다에 대해 어의 애매성을 해결하는 실험을 수행한 결과, 본 논문에서 제안한 구문 관계에 기반한 지시자룔 이용하눈 방법이 기준 성눙 평가 방법보다 평균 27%의 높은 정확도 개선를 보였다. 또한 본 논문에서 제안한 어의 애매성 해결 방법욘 구문 관계를 고려하지 않고 단지 주변 단어만율 사용하는 어의 애매성 해결 방법보다 평균 12%의 정확도 개선을 보였다.
본 논문에서 제안한 구문 관계에 기반한 지시자를 이용한 11-112 열이 기준 정확도에 비해 평균 27%의 성능이 향상되었고, 무순 서적인 주변 단어들을 사용한 112 열보다 평균 9%의 정확도가 향상됨을 보여준다. 또한 가중치열은 가중치를 사용한 방법이 가중치를 사용하지 않은 방법보다 평균 3%의 정확도가 향상되었음을 보여주고 있다. 실험 결과 주변 단어에 대한 구문 관계를 기반으로 한 단서를 사용한 방법이 무순 서적인 주변 단어를 이용한 방법보다 타동사의 어의 애매성 해결에 더 좋은 단서가 됨을 알 수 있고 또한 가중치률 사용한 방법이 더 높은 정확도를 얻을 수 있음을 알 수 있다.
성능이 개선됨을 알 수 있다. 또한 구문 관계에 기반한 단서튤 사용한 방법이 무순 서적인 주변 단어만을 단서로 사용한 방법보다 타동사의 어의 애매성 해결에 더 좋온 단서가 됨을 알 수 있다.
27%의 높은 정확도 개선를 보였다. 또한 본 논문에서 제안한 어의 애매성 해결 방법욘 구문 관계를 고려하지 않고 단지 주변 단어만율 사용하는 어의 애매성 해결 방법보다 평균 12%의 정확도 개선을 보였다.
보여준다. 본 논문에서 제안한 구문 관계에 기반한 지시자를 이용한 11-112 열이 기준 정확도에 비해 평균 27%의 성능이 향상되었고, 무순 서적인 주변 단어들을 사용한 112 열보다 평균 9%의 정확도가 향상됨을 보여준다. 또한 가중치열은 가중치를 사용한 방법이 가중치를 사용하지 않은 방법보다 평균 3%의 정확도가 향상되었음을 보여주고 있다.
실험 결과 가장 출현 빈도가 높은 의미에 모든 의미를 부여하는 방법보다 높은 정확도를 보였으며, 사용된 지식원 중에서 고정된 위치 정보를 가지는 국소적인 연어 정보 그리고 이웃 단어의 품사 정보에 대해서 상대적으로 높은 정확도를 보였다. 그러나 이 두 정보는 주어진 단어의 특정 의미와 자주 나타나는 고정된 위치에 관한 정보로서 비교적 고정된 어순을 가지는 영어에 대해서는 의미 구분에 좋은 정보라고 할 수 있으나, 비교적 어순이 자유롭고 후치사에 의해 격이 실현되는 한국어인 경우에는 의미 구분에 대한 단서로서의 역할을 기대하기 어렵다.
또한 가중치열은 가중치를 사용한 방법이 가중치를 사용하지 않은 방법보다 평균 3%의 정확도가 향상되었음을 보여주고 있다. 실험 결과 주변 단어에 대한 구문 관계를 기반으로 한 단서를 사용한 방법이 무순 서적인 주변 단어를 이용한 방법보다 타동사의 어의 애매성 해결에 더 좋은 단서가 됨을 알 수 있고 또한 가중치률 사용한 방법이 더 높은 정확도를 얻을 수 있음을 알 수 있다.
어의 애매성 해결율 위한 대상이 목적어 성분울 취하는 타동사이고, 타동사의 의미가 주로 목적어 성분에 따라 결정되는 사실에 비추어 볼 때, 다론 타동사에 대해서도 본 논문에서 제안된 방법이 효과성을 가질 것으로 생각된다. 물론 이후에 특정 응용 시스템에서 사용되기 위해서는 나머지 동사들에 대한 실험이 추가적으로 진행되어야 할 것이다.
이와 갈욘 실험 결과률 통하여 주어진 동사와 문장 내에서 갈이 출현하는 주변 단어들이 그 동사의 특정 외미와 밀접한 연관을 가지며, 이듈주변 단어듈을 동사의 을바룐 의미 구분의 단서로 사용할 경우에 기준 정확도에 비해 정확도에 대한 성능이 개선됨을 알 수 있다. 또한 구문 관계에 기반한 단서튤 사용한 방법이 무순 서적인 주변 단어만을 단서로 사용한 방법보다 타동사의 어의 애매성 해결에 더 좋온 단서가 됨을 알 수 있다.
지시자의 유형별 가중치 申, 에 대한 실험에서 동사와 술어-논항 관계를 표현하는 지시자-1, 지시자 -2, 지시자-3이 가장 높은 값을 가졌다. 다음으로 수식-피수식 관계인 지시자-5, 지시자-6, 지시자 -7, 지시자-8이 높은 값을 가지며, 구문 관계 롤 고려하지 않은 주변 단어인 지시자-10과 지시자 -11, 지시자-12에 대해서는 상대적으로 낮은 값 올 가졌다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

구문 지시자를 통합한 통계적 어의애매성 해결
A Statistical Word Sense Disambiguation Using Combinations of Syntactic Indicators 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

구문 지시자를 통합한 통계적 어의애매성 해결 A Statistical Word Sense Disambiguation Using Combinations of Syntactic Indicators 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

저자의 다른 논문 :

김권양 (14) 최재혁 (10)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

구문 지시자를 통합한 통계적 어의애매성 해결
A Statistical Word Sense Disambiguation Using Combinations of Syntactic Indicators 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper