$\require{mediawiki-texvc}$

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.

술어-논항 구조의 패턴 유사도를 결합한 혼합 커널 기반관계 추출
Relation Extraction based on Composite Kernel combining Pattern Similarity of Predicate-Argument Structure 원문보기

인터넷정보학회논문지 = Journal of Korean Society for Internet Information, v.12 no.5, 2011년, pp.73 - 85  

정창후 (한국과학기술정보연구원) ,  최성필 (한국과학기술정보연구원) ,  최윤수 (한국과학기술정보연구원) ,  송사광 (한국과학기술정보연구원) ,  전홍우 (한국과학기술정보연구원)

초록
AI-Helper 아이콘AI-Helper

문헌에 존재하는 핵심개체 간의 관계를 자동으로 추출할 때 다양한 형태의 문서 분석 결과를 활용할 수 있다. 본 논문에서 는 기존에 개발되어 비교적 높은 성능을 보여준 합성곱 구문 트리 커널의 구절 구조 유사성 정보와 두 개체 사이의 유의미한 연관관계를 표현해주는 술어-논항 구조 패턴의 유사성 정보를 동시에 활용하는 혼합 커널을 제안한다. 구문적 구조를 이용하는 기존의 합성곱 구문 트리 커널에 술어와 논항 간의 의미적 구조를 활용하는 술어-논항 구조 패턴 유사도 커널을 결합하여 상호보완적인 혼합 커널을 구성하였고, 다양한 테스트컬렉션 기반의 실험을 통하여 개발된 커널의 성능을 측정하였다. 실험결과 구절 구조 정보를 이용하는 합성곱 구문 트리 커널만을 단독으로 사용했을 때보다 술어-논항 구조의 패턴 정보를 결합한 혼합 커널을 사용했을 때에 더 좋은 성능을 보이는 것을 확인할 수 있었다. 또한 기존의 시스템보다 우수한 성능을 보이는 것도 함께 확인할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

Lots of valuable textual information is used to extract relations between named entities from literature. Composite kernel approach is proposed in this paper. The composite kernel approach calculates similarities based on the following information:(1) Phrase structure in convolution parse tree kerne...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 기존에 연구되어 비교적 높은 성능을 나타낸 합성곱 구문 트리 커널에 술어-논항구조 패턴 유사도 커널을 결합한 혼합 커널을 제안한다. 구절 구조의 유사도를 측정하는 합성곱 구문 트리 커널과 술어와 논항 간의 의미적 연결고리를 활용하는 술어-논항 구조 패턴 유사도 커널을 결합하여 보다 성능 좋은 혼합 커널을 구성할 수 있음을 보인다.
  • 본 절에서는 술어-논항 구조의 패턴 유사도를 활용하는 방법이 기존의 트리 커널 방법과 결합됐을 때 얼마만큼의 성능 향상 효과를 발휘하는지를 알아보기 위한 실험을 수행한다.
  • 본 절에서는 술어-논항 구조의 패턴 유사도를 활용하는 혼합 커널의 보다 객관적인 성능 비교를 위해서 비교적 선행 연구가 많이 수행되어진 바이오분야의 단백질 간 상호작용 식별 실험을 수행하여 기존 시스템과 비교를 수행한다. 본 논문에서 제안하는 방법론은 분야에 의존적이지 않기 때문에 테스트컬렉션만 존재하면 다양한 분야에 적용해볼 수 있는 장점이 있다.
  • 지도학습 기반 관계 추출(Supervised Relation Extraction)은 1997년도에 개최된 MUC-7(Message Understanding Conference 7)에서 처음으로 도입된 ‘템플릿 기반 관계 추출(Template Relation Extraction)’ 태스크에서 본격적으로 기계학습 기반의 관계 추출을 위한 학습 집합을 제공함으로써 이 분야 연구의 단초를 제공하였다.
  • 1에서 소개한 KREC 2010 테스트컬렉션을 기반으로 수행한 PLOT 간 연관관계 자동 분류에 대한 성능 평가 결과를 보인다. 혼합 커널의 보다 정확한 성능 비교를 위해서 우선 일반 구문 트리 커널과 술어-논항 구조의 패턴 유사도 커널을 각각 단독으로 사용한 경우에 대해서 살펴본다. 그리고 나서 최종적으로 두 방법을 결합한 상태로 사용한 경우의 성능 측정 결과를 비교해 본다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
관계 추출 기법 중 자질 기반 방법으로 kambhatla가 시도한 것은 무엇인가? 자질 기반 방법으로서 Kambhatla (2004)는 최초로 최대 엔트로피 모델(Maximum Entropy Model)을 기반으로 다양한 형태의 어휘적, 구문적, 의미적 자질들을 이용하여 관계 추출을 시도하였다[4]. 이를 기반으로 GuoDong et al.
정보 추출 기술을 구성하는 요소 기술로는 어떤 것들이 있는가? 비정형적인 텍스트 내에서 중요하고 연관성 있는 정보를 식별하는 정보 추출은 자연어 처리 및 텍스트 마이닝 분야에서 핵심적인 영역으로 인식되고 있다. 이러한 정보 추출 기술을 구성하는 요소 기술로서 (1) 개체명 인식(Named-Entity Recognition), (2) 관계 추출(Relation Extraction), (3) 대용어 참조해소(Co-reference Resolution) 등이 있는데[1], 이 중에서 문서 내에 존재하는 중요한 개체 간의 관계를 자동으로 추출하는 관계 추출은 정보 추출 중에서 핵심적인 작업으로 꼽히면서도 가장 어려운 작업으로 알려져 있다[1-3].
관계 추출은 무엇인가? 비정형적인 텍스트 내에서 중요하고 연관성 있는 정보를 식별하는 정보 추출은 자연어 처리 및 텍스트 마이닝 분야에서 핵심적인 영역으로 인식되고 있다. 이러한 정보 추출 기술을 구성하는 요소 기술로서 (1) 개체명 인식(Named-Entity Recognition), (2) 관계 추출(Relation Extraction), (3) 대용어 참조해소(Co-reference Resolution) 등이 있는데[1], 이 중에서 문서 내에 존재하는 중요한 개체 간의 관계를 자동으로 추출하는 관계 추출은 정보 추출 중에서 핵심적인 작업으로 꼽히면서도 가장 어려운 작업으로 알려져 있다[1-3].
질의응답 정보가 도움이 되었나요?

참고문헌 (21)

  1. Bunescu, R. C. and Mooney, R. J., "A Shortest Path Dependency Kernel for Relation Extraction," Proceedings of the Human Language Technology Conference and Conference on Empirical Methods in Natural Language Processing, pp.724-731, Vancouver, B.C., 2005. 

  2. Culotta, A. and Sorensen, J., "Dependency Tree Kernels for Relation Extraction," Proceedings of the 42nd Annual Meeting on Association for Computational Linguistics, 2004. 

  3. Bunescu, R. C. and Mooney, R. J., "Subsequence Kernels for Relation Extraction," Advances in Neural Information Processing Systems, 2006. 

  4. Kambhatla N., "Combining lexical, syntactic and semantic features with Maximum Entropy models for extracting relations," ACL'2004 (Poster), pp.178-181, 21-26 July, Barcelona, Spain, 2004. 

  5. GuoDong Z., Su J. Zhang J. and Zhang M., "Exploring various knowledge in relation extraction," ACL'2005, pp.427-434, 25-30 June, Ann Arbor, Michigan, USA, 2005. 

  6. Zhao, S. B. and Grishman, R., "Extracting Relations with Integrated Information Using Kernel Methods," ACL-2005, 2005. 

  7. Zelenko, D., Aone, C. and Richardella, A., "Kernel Methods for Relation Extraction," Journal of Machine Learning Research 3, pp.1083-1106, 2003. 

  8. Zhang, M., Zhang, J., Su, J. and Zhou, G., "A Composite Kernel to Extract Relations between Entities with both Flat and Structured Features," 21st International Conference on Computational Linguistics and 44th Annual Meeting of the ACL, pp.825-832, 2006. 

  9. GuoDong Z., Min Z., Dong H. J. and QiaoMing Z., "Tree Kernel-based Relation Extraction with Context-Sensitive Structured Parse Tree Information," Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, 

  10. Zhang, M., GuoDong, Z. and Aiti, A., "Exploring syntactic structured features over parse trees for relation extraction using kernel methods," Information Processing and Management, v.44, pp.687-701, 2008. 

  11. Vishwanathan S. V. N. and Smola A. J., "Fast Kernels for String and Tree Matching," Advances in Neural Information Processing Systems, MIT Press, vol.15, pp.569-576, 2003. 

  12. Collins M. and Duffy N., "Convolution Kernels for Natural Language," NIPS-2001, 2001. 

  13. Moschitti A., "Making tree kernels practical for natural language learning," Proceedings of EACL'06, Trento, Italy, 2006. 

  14. Pyysalo S., Airola A., Heimonen J., Bjorne J., Ginter F. and Salakoski T., "Comparative analysis of five protein-protein interaction corpora," BMC Bioinformatics, vol.9, no.S6, 2008. 

  15. Bunescu R., Ge R., Kate R., Marcotte E., Mooney R., Ramani, A. and Wong, Y., "Comparative Experiments on Learning Information Extractors for Proteins and their Interactions," Artif. Intell. Med., Summarization and Information Extraction from Medical Documents, vol.33, pp.139-155, 2005. 

  16. Pyysalo S., Ginter F., Heimonen J., Bjorne J., Boberg J., Jarvinen J. and Salakoski T., "BioInfer: a corpus for information extraction in the biomedical domain," BMC Bioinformatics, vol.8, no.50, 2007. 

  17. Fundel K., Kuffner R. and Zimmer R., "RelEx - Relation extraction using dependency parse trees," Bioinformatics, vol.23, pp.365-371, 2007. 

  18. Ding J., Berleant D., Nettleton D. and Wurtele E., "Mining MEDLINE: abstracts, sentences, or phrases?," Proceedings of PSB'02, pp. 326-337, 2002. 

  19. Nedellec C., "Learning language in logic - genic interaction extraction challenge," Proceedings of LLL'05, pp.31-37, 2005. 

  20. Airola A., Pyysalo S., Bjorne J., Pahikkala T., Ginter F. and Salakoski T., "All-paths graph kernel for protein-protein interaction extraction with evaluation of cross-corpus learning," BMC Bioinformatics, vol.9, no.S2, 2008. 

  21. Miwa M., Sætre R., Miyao Y. and Tsujii J., "Protein-protein interaction extraction by leveraging multiple kernels and parsers," International Journal of Medical Informatics, 2009. 

저자의 다른 논문 :

LOADING...
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