$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 한국어 위키피디아를 이용한 분류체계 생성과 개체명 사전 자동 구축
Automatic Construction of Class Hierarchies and Named Entity Dictionaries using Korean Wikipedia 원문보기

정보과학회논문지. Journal of KIISE. 컴퓨팅의 실제 및 레터, v.16 no.4, 2010년, pp.492 - 496  

배상준 (동아대학교 컴퓨터공학과) ,  고영중 (동아대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

위키피디아는 개방형 백과사전으로서 수많은 편집자들에 의해 작성되기 때문에 빠른 시간에 방대한 양의 정보가 축적되고 있으며, 축적되는 정보의 신뢰성 또한 매우 높다. 본 논문에서는 이러한 장점을 가진 위키피디아의 여러 가지 세부정보를 이용하여 한국어 개체명 사전을 자동으로 구축하는 방법을 제안한다. 먼저 위키피디아의 각 엔트리(entry)의 분류정보를 사용하여 분류체계(class hierarchy)를 생성한다. 생성된 분류체계에 위키피디아 엔트리를 자동으로 매핑(mapping)시킨 다음, 분류체계에서 최상위 계층의 불확실성(entropy)을 계산한다. 마지막으로, 임계값 이상의 불확실성을 가지는 분류체계를 제거함으로써 정확률이 높은 개체명 사전을 구축한다. 본 논문에서 제안하는 방법으로 실험을 한 결과 최고 81.12%(83.94%:정확률,78.48%:재현율)의 F1-measure의 성능을 보였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Wikipedia as an open encyclopedia contains immense human knowledge written by thousands of volunteer editors and its reliability is also high. In this paper, we propose to automatically construct a Korean named entity dictionary using the several features of the Wikipedia. Firstly, we generate class...

주제어

#위키피디아   #분류체계   #개체명 사전   #텍스트 마이닝  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 개체명은 대부분 문서에서 중요한 역할을 하지만 한정된 것이 아니라 계속 생성되고, 그 수 또한 방대하기 때문에 생성될 때마다 사전에 등록시키는 것은 현실적으로 불가능하다. 따라서, 본 논문에서는 개체명을 효과적이고 지속적으로 추출하여 자동으로 사전을 구축하기 위해 현재 널리 이용되고 있는 위키피디아(wikipedia.org)를 이용하고자 한다.
  • 본 논문에서는 다음과 같은 방법에 의해서 개체명 사전을 구축하는 방법을 제안한다. 먼저 위키피디아 문서 내에 있는 분류정보를 추출하여 분류정보의 빈도수를 중심으로 분류체계를 구성한다.
  • 본 논문에서는 다중 타입의 엔트리에 대해서 구분하고 있지 않기 때문에 정확률을 구하기 위해서 다중 타입 올 포함하는 위키피디아 엔트리와 ETRI 개체명 사전의 공통 개체명을 사용하였다. 재현율은 41절에서 설명한 전체 정답셋을 사용하였다.
  • 본 논문에서는 위키피디아의 자원을 이용하여 분류체계를 생성하고 개체명 사전을 구축하는 방법을 제안하고 있다. 분류체계를 생성하고 엔트리를 매핑하는 과정에서 나타나는 오류를 분석해본 결과 분류정보의 단어 수가 영향을 미친다는 것을 알았다.

가설 설정

  • 1. 분류정보 내에서 가장 우측에 있는 단어가 중요하다.
  • 2. 출현 빈도수가 높은 분류정보 내의 단어가 상위 계층에 위치한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (8)

  1. K. Lee, J. Lee, M. Chol, G. Kim, "Study on Named Entity Recognition in Korean Text," Proc. of the Annual Conference on Human Cognitive Language Technology, vol.21, no.1(C), pp.292-299, 2000. (in Korean) 

  2. E. Riloff And R. Jones, "Learning Dictionaries for Information Extraction by Multi-Level Bootstrapping," Proc. of the Sixteenth National Conference on Artificial Intelligence, pp.474-479, 1999. 

  3. E. Agichtein And L. Gravano, "Snowball: extracting relations from large plain-text collections," Comm. ACM, pp.85-94, 2000. 

  4. M. Thelen And E. Riloff, "A Bootstrapping Method for Learning Semantic Lexicons using Extraction Pattern Contexts," Proc. of the Conference on EMNLP, pp.214-221, 2002. 

  5. W. Dakka And S. Cucerzan, "Augmenting Wikipedia with Named Entity Tags," Proc. of the IJCNLP, pp.545-552, 2008. 

  6. S. Ye , T. Seng, J. Iu, "Summarizing Definition from Wikipedia," Proc. of the ACL-IJCNLP, pp.199-207, 2009. 

  7. A. Richman And P. Schone, "Mining Wiki Resources for Multilingual Named Entity Recognition," Proc. of the ACL, pp.1-9, 2008. 

  8. A. L. Berger, S. A. Della Pietra, S. A. Della Pietra, "A Maximum Entropy Approach to Natural Language Processing," Proc. of the Computational Linguistics, pp.39-71, 1996. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로