[논문]한국어 의미 표지 부착 말뭉치 구축을 위한 자동 술어-논항 분석기 개발

조정현; 정현기; 김유섭

doi:10.3745/kipstb.2012.19b.1.043

문제 정의

의미 어휘 사전은 기본적으로 기존의 동사 격틀 사전이 가지고 있는 격틀 정보가 부족하기 때문에 새로이 확장, 구축되었다. 본 논문에서는 21세기 세종 계획¹⁾에서 구축한 동사 격틀 사전을 확장하였다. 세종 격틀 사전의 경우에는 약 1만 5천개의 동사에 대한 격틀이 사전화되어 있으나, 모든 동사가 풍부한 격틀 정보를 가지고 있는 것은 아니다.
따라서 본 논문에서는 [18]에서 제안한 방식으로 격틀을 기반으로 동사간의 유사도를 추정 한 후에, 이 유사도 정보를 기반으로 동사들을 군집화하였다. 본 논문에서는 동일한 군집으로 분류된 동사들은 서로가 가지고 있는 모든 격틀을 공유하게 함으로써 격틀의 부족 현상을 극복하고자 하였다.
이는 말뭉치에 자주 나타나지 않는 동사의 경우 격틀 정보를 구축할 근거가 없었기 때문이다. 본 논문에서는 유사한 격틀 정보를 가지는 동사들을 하나의 클러스터로 묶어 서로 격틀 정보를 공유하게 함으로써 격틀 정보의 부족 현상을 극복하고자 하였다.
본 논문에서는 이처럼 한국어 의미 분석에 매우 중요한 역할을 할 수 있는 한국어 PropBank 구축의 시작 단계로써 자동 술어-논항 분석기를 개발하였다. 자동 술어-논항 분석기는 관련 말뭉치가 부재한 상황에서 자동으로 의미 표지 부착된 말뭉치를 초벌 생성할 수 있고, 이 결과를 향후 수작업에 활용하여 한국어 PropBank의 구축 시간을 크게 단축시킬 수 있다.
본 논문에서는 지금까지 구축한 시스템이 얼마나 높은 적용력과 정확도를 가지고 있는 지 확인하기 위하여 보유하고 있는 술어-논항 쌍 중에서 임의로 1,000개의 쌍을 추출하였다. 이 때, 논항은 의미 부류가 결정된 경우로 제한하였다.
본 논문은 향후 한국어 PropBank의 구축을 위한 전 단계로 한국어 자동 술어-논항 분석기의 구현을 그 목적으로 한다. 자동 술어-논항 분석기란 결국 술어에 의존하고 있는 여러 논항들과 술어간의 의미 관계를 분석하는 모듈이라 할 수 있는데, 본 논문에서는 특히 부사격 조사로 의존 관계를 맺고 있는 논항들의 의미 관계 분석에 초점을 맞추었다.
본 논문의 주 목적은 이러한 한국어 PropBank를 구축하는데 있어 초벌 의미 표지 부착 말뭉치 구축을 보다 효율적으로 도와줄 수 있는 자동 술어-논항 분석기의 개발에 있다. 즉, 자동 술어-논항 분석기를 활용하여 구문 표지 부착된 말뭉치에서 술어-논항 쌍을 추출하여 각 논항이 술어에 대해 어떤 의미적인 관계를 가지고 있는가를 1차적으로 찾고자 한다.
이 절에서는 주어진 구문 표지 부착 문장을 입력으로 받아 술어(동사 술어)와 관련 논항을 추출하고, 이 중 부사격 조사와 결합이 된 논항의 술어와의 의미 관계를 분석하는 모듈에 대하여 논한다. 이 모듈은 첫째, 술어-논항 쌍을 추출하고, 둘째, 논항을 향후 처리를 위하여 변형시키고, 셋째, 의미 어휘 사전을 검색하고 넷째, 적절한 격틀을 찾고 마지막으로 위에서 분석되지 않은 논항을 추가적으로 처리하는 과정으로 이루어진다.
첫째, 개별 동사 어휘의 격틀 사전으로 성능을 측정하였다. 이는 기존에 구축된 격틀 사전만을 가지고 의미 역 결정 성능을 기준 성능으로 하여 본 논문에서 제안된 방법이 성능 향상에 도움이 되는 정도를 확인하기 위함이다(실험1). 둘째, 클러스터 격틀 사전을 이용하되, 논항 및 조사의 엄격한 비교를 요구하는 방식이다(실험 2).
이러한 자동 술어-논항 분석기의 구현을 위하여 본 논문에서는 크게 의미 어휘 사전과 술어-논항 추출기 모듈을 개발하였다. 먼저 의미 어휘 사전은 개별 동사 격틀 사전으로는 그 적용 범위가 너무 작기 때문에 보유하고 있는 격틀이 유사한 동사 어휘들을 k-means 및 EM 알고리즘을 사용하여 클러스터링을 하고 동일 클러스터로 모인 동사들의 격틀을 모두 통합하여 하나의 사전을 만들었다.
즉, 자동 술어-논항 분석기를 활용하여 구문 표지 부착된 말뭉치에서 술어-논항 쌍을 추출하여 각 논항이 술어에 대해 어떤 의미적인 관계를 가지고 있는가를 1차적으로 찾고자 한다. 이를 위하여 본 논문에서는 세종 계획에서 구축된 동사격틀 사전으로 한국어 프레임 파일을 대신하고, 한국전자통신연구원에서 구축된 한국어 구문 표지 부착 말뭉치의 문장에 나타난 술어들을 대상으로 술어-논항 쌍을 분석하고자 한다.
자동 술어-논항 분석기는 크게 두 개의 모듈로 구성된다. 첫째는 의미 어휘 사전으로 이 사전에는 동사들의 격틀 정보가 저장되어 있는데, 개별 동사의 격틀 정보가 부족하기 때문에 복수의 동사들을 보유하고 있는 격틀의 유사도에 기반하여 클러스터링하여 정보 부족 문제를 해결하고자 하였다. 둘째는 술어-논항 추출기 모듈로써 이 모듈은 구문 표지가 부착된 문장에서 술어-논항의 의미 관계를 파악하는데 필요한 부분을 추출하여 해당 논항이 술어와 어떤 의미 관계에 있는가를 결정해 준다.

가설 설정

본 논문에서 제시하는 자동 술어-논항 분석기는 크게 두개의 부분으로 이루어져 있다. 첫째, 동사의 격틀 사전을 분석 및 가공하여 구축된 의미 어휘 사전이다. 의미 어휘 사전은 기본적으로 기존의 동사 격틀 사전이 가지고 있는 격틀 정보가 부족하기 때문에 새로이 확장, 구축되었다.

제안 방법

개별 동사들은 자체적으로 가지고 있는 격틀이 매우 제한적이기 때문에 향후 술어-논항 관계를 분석하기에는 많은 제약이 따른다. 따라서 본 논문에서는 [18]에서 제안한 방식으로 격틀을 기반으로 동사간의 유사도를 추정 한 후에, 이 유사도 정보를 기반으로 동사들을 군집화하였다. 본 논문에서는 동일한 군집으로 분류된 동사들은 서로가 가지고 있는 모든 격틀을 공유하게 함으로써 격틀의 부족 현상을 극복하고자 하였다.
하나의 클러스터가 이렇게 큰 비중을 차지하게 되면 해당 클러스터는 거의 모든 종류의 격틀을 포함하게되어 사실상 의미 어휘 사전으로써의 역할을 하기 어렵다. 따라서 본 논문에서는 이렇게 많은 원소들을 포함하고 있는 대형 클러스터들을 다시 클러스터링하여 보다 세밀히 클러스터를 나누었다.
또한 다른 두 개의 재클러스터링 대상 클러스터는 EM 알고리즘으로 재클러스터링을 시도하였다. 여기서 EM 알고리즘을 활용한 이유는, EM의 경우에는 초기 클러스터의 개수를 지정하지 않아도 되며, 동시에 비교적 균등한 숫자로 각 클러스터에 원소들을 할당하는 성격이 더 강하기 때문이다.
이 때, 논항은 의미 부류가 결정된 경우로 제한하였다. 또한 성능의 비교를 위하여 다음과 같은 세 가지 방식의 실험을 하여 그 성능을 비교하였다.
이러한 자동 술어-논항 분석기의 구현을 위하여 본 논문에서는 크게 의미 어휘 사전과 술어-논항 추출기 모듈을 개발하였다. 먼저 의미 어휘 사전은 개별 동사 격틀 사전으로는 그 적용 범위가 너무 작기 때문에 보유하고 있는 격틀이 유사한 동사 어휘들을 k-means 및 EM 알고리즘을 사용하여 클러스터링을 하고 동일 클러스터로 모인 동사들의 격틀을 모두 통합하여 하나의 사전을 만들었다. 따라서 향후 특정 동사 어휘로 이 사전에 접근하게 되면 원래 이 동사가 가지고 있던 격틀 정보뿐만 아니라, 동일 클러스터에 포함되어 있는 여타 동사들의 격틀 정보도 함께 사용할 수 있다.
본 논문에서 제안한 자동 술어-논항 분석기의 성능을 분석하기 위하여 추출된 술어-논항 관계의 정확도를 계산하였다. 특히 본 논문에서 제안된 클러스터링에 기반한 의미 어휘 사전의 역할 분석에 초점을 맞추었다.
본 논문에서는 13개의 대형 클러스터 중에서 3개의 클러스터를 재클러스터일 하였다. 2,185개의 원소를 포함하는 클러스터는 40개의 초기 클러스터 개수를 초기값으로 하여 k-means 알고리즘을 사용하였다.
본 논문에서는 클러스터링을 위하여 EM(Expectation-Maximization) 알고리즘[19]과 k-means 알고리즘[20]을 활용하였다. 본 논문에서는 WEKA 패키지²⁾를 이용하였고, 하나의 클러스터에 지나치게 많은 동사 어휘가 포함되는 현상을 극복하기 위하여 지나치게 많은 원소를 포함하는 클러스터는 재군집화를 하였다.
본 논문에서는 세종 의미 체계의 상위 2번째 단계의 부류들을 의미 부류로 활용하였는데 에서 이들 부류들이 나열되어 있다.
본 논문에서는 의미 어휘 사전을 구축하기 위하여 21세기 세종 계획의 용언 사전을 기본 사전으로 활용하였다. 세종 용언 사전에는 총 15,174개의 동사와 1,269 가지의 격틀이 수록되어 있는데, <표 1>은 세종 용언 사전에 나타난 대표적인 격틀과 그 격틀이 나타나는 동사의 빈도를 보여준다.
특히 본 논문에서 제안된 클러스터링에 기반한 의미 어휘 사전의 역할 분석에 초점을 맞추었다. 본 실험에서는 크게 적용력과 정확도의 두 가지 기준으로 성능을 측정하였다. 여기서 적용력과 정확도는 각각 다음과 같이 정의된다.
말뭉치의 문장에서 나타난 격틀과 격틀 사전에서 나타난 격틀간의 비교를 위해서는 격틀에 포함되어 있는 논항의 의미를 분석하여야 한다. 이를 위하여 세종 계획에서의 의미 어휘 분류 체계를 단순화하여 논항들의 의미 부류를 결정하였다.
이상을 통합하여 한국전자통신연구원의 구문 표지 부착 말뭉치 문장에서 동사 어휘를 발견하게 되면, 해당 동사의 여러 논항중에서 부사격 논항들을 따로 분리하고 이들 술어-논항 관계를 동사의 의미 어휘 사전에 기술되어 있는 격틀 정보와 비교하여 해당 논항의 의미 역을 결정하였다. 본 논문에서는 분석 대상으로 부사격 논항들만을 삼았는데, 이는 한국어의 경우 주격조사와 목적격조사의 논항들은 AGT나 THM과 같이 그 의미 역이 대부분 정해져 있기 때문이다.
본 논문은 향후 한국어 PropBank의 구축을 위한 전 단계로 한국어 자동 술어-논항 분석기의 구현을 그 목적으로 한다. 자동 술어-논항 분석기란 결국 술어에 의존하고 있는 여러 논항들과 술어간의 의미 관계를 분석하는 모듈이라 할 수 있는데, 본 논문에서는 특히 부사격 조사로 의존 관계를 맺고 있는 논항들의 의미 관계 분석에 초점을 맞추었다.
본 논문의 주 목적은 이러한 한국어 PropBank를 구축하는데 있어 초벌 의미 표지 부착 말뭉치 구축을 보다 효율적으로 도와줄 수 있는 자동 술어-논항 분석기의 개발에 있다. 즉, 자동 술어-논항 분석기를 활용하여 구문 표지 부착된 말뭉치에서 술어-논항 쌍을 추출하여 각 논항이 술어에 대해 어떤 의미적인 관계를 가지고 있는가를 1차적으로 찾고자 한다. 이를 위하여 본 논문에서는 세종 계획에서 구축된 동사격틀 사전으로 한국어 프레임 파일을 대신하고, 한국전자통신연구원에서 구축된 한국어 구문 표지 부착 말뭉치의 문장에 나타난 술어들을 대상으로 술어-논항 쌍을 분석하고자 한다.
첫째, 개별 동사 어휘의 격틀 사전으로 성능을 측정하였다. 이는 기존에 구축된 격틀 사전만을 가지고 의미 역 결정 성능을 기준 성능으로 하여 본 논문에서 제안된 방법이 성능 향상에 도움이 되는 정도를 확인하기 위함이다(실험1).

대상 데이터

ETRI 구문 표지 부착 말뭉치에는 총 37,226개의 문장이 있으며, 본 논문에서는 술어-논항(부사격 조사로 연결된)으로 자동 분석의 대상을 제한하였는데, 약 185,538개의 술어-논항 쌍을 추출하였다.
본 논문에서는 분석 대상으로 부사격 논항들만을 삼았는데, 이는 한국어의 경우 주격조사와 목적격조사의 논항들은 AGT나 THM과 같이 그 의미 역이 대부분 정해져 있기 때문이다. 따라서 본 논문에서는 비교적 모호성이 큰 부사격 조사의 논항들만을 분석 대상으로 하였다. 보다 상세한 주격 조사의 논항 및 목적격 조사의 논항은 향후 연구 과제로 잠시 미루고자 한다.
본 논문에서는 구문 표지 말뭉치로 ETRI의 구문 표지 부착 말뭉치³⁾를 사용하였다. 다음 (그림 4)는 ETRI의 구문 표지 부착 말뭉치의 사례를 보여준다.
본 논문에서는 세종 용언 사전에 등록되어 있는 15,174개의 동사 어휘들을 대상으로 군집화를 시도하였으나, 격틀 정보가 매우 빈약하여 활용도가 전혀 없는 일부 동사를 제외한 14,023개의 동사 어휘들만을 군집화 하였다. 모든 동사들은 3.
이 때, 최초 클러스터의 개수는 500개로 지정하였다. 이 중 원소가 하나도 없는 3개의 클러스터를 제외한 497개의 클러스터 중에서 원소가 100개 이상 포함하고 있는 대형 클러스터가 13개 발생하였다. 특히 어떤 클러스터는 총 2,185개의 동사 원소를 포함하고 있었는데 이는 전체 동사의 15%를 차지하는 매우 큰 클러스터이다.

이론/모형

본 논문에서는 13개의 대형 클러스터 중에서 3개의 클러스터를 재클러스터일 하였다. 2,185개의 원소를 포함하는 클러스터는 40개의 초기 클러스터 개수를 초기값으로 하여 k-means 알고리즘을 사용하였다. 그러나 이 중 1,731개의 원소를 포함하는 클러스터가 발생하여 다시 k=20으로 하여 클러스터링을 하였다.
그런데 이러한 차원은 크기가 지나치게 크기 때문에 클러스터링에 직접 활용하기 어렵다. 따라서 본 논문에서는 Singular Value Decomposition(SVD) 알고리즘[21]를 활용하여 차원을 45개로 축소시켰다. SVD를 통하여 차원이 축소된 동사 중에서 원소가 모두 0인 벡터를 제외하면 12,896개의 동사만 남게 되었고 이들이 군집화 되었다.
본 논문에서는 최초 클러스터링으로 k-means 알고리즘을 활용하였다. 이 때, 최초 클러스터의 개수는 500개로 지정하였다.
본 논문에서는 클러스터링을 위하여 EM(Expectation-Maximization) 알고리즘[19]과 k-means 알고리즘[20]을 활용하였다. 본 논문에서는 WEKA 패키지²⁾를 이용하였고, 하나의 클러스터에 지나치게 많은 동사 어휘가 포함되는 현상을 극복하기 위하여 지나치게 많은 원소를 포함하는 클러스터는 재군집화를 하였다.

성능/효과

그러나 이 중 1,731개의 원소를 포함하는 클러스터가 발생하여 다시 k=20으로 하여 클러스터링을 하였다. 결과적으로 최초 2,185개의 원소를 갖는 클러스터는 59개의 새로운 클러스터로 분할되었다.
그러나 구축된 의미 어휘 사전은 논항이 특정 의미 부류로 표기되었기 때문에 이들 논항들은 의미 부류로 변환되어야 한다. 본 논문에서는 세종 용언 격틀 사전을 사용하였기 때문에 논항들은 모두 세종 의미 체계에서 사용되는 부류로 표기되었다. 본 논문에서는 세종 의미 체계의 상위 2번째 단계의 부류들을 의미 부류로 활용하였는데 <표 4>에서 이들 부류들이 나열되어 있다.
<표 3>의 결과를 보면 실험 1이 가장 높은 정확도를 보이고 있으나 적용력은 불과 10%이다. 이는 개별 어휘의 격틀 사전이 실제 적용시 그 범위가 얼마나 적은 지를 알 수 있다.
특히 적용력이 6배 가까이 늘어남에도 불구하고 정확도는 불과 10% 정도밖에 줄어들지 않았다. 이는 본 논문의 기본 방향인 동사 클러스터링에 기반한 의미 어휘 사전의 구축이 올바른 방향성을 가지고 있음을 보여준다. 따라서 앞으로는 보다 적용력을 높이고 반면에 정확도는 떨어지지 않는 방법을 추가하여 전체적으로 거의 대다수의 술어-논항 쌍의 의미 관계 추출이 될 수 있어야할 것이다.
적용력이란 실험 대상이 되는 전체 테스트 (술어,논항) 튜플 중에서 실제 의미 어휘 사전에서 격틀을 찾아 의미 관계를 추출하고자 시도한 (술어,논항) 튜플의 비율을 말한다. 즉 이 수치가 높다는 것은 구축된 의미 어휘 사전의 적용 범위가 넓어 의미 관계 추출을 시도한 술어-논항의 쌍이 많다는 것을 말하며, 제안한 클러스터링을 통한 의미 어휘 사전의 구축이 처리 범위를 얼마나 확장시켰는가를 확인할 수 있다. 또한 정확도란 의미 어휘 사전을 활용하여 의미 관계 추출을 시도한 (술어,논항) 튜플 중에서 올바르게 의미 관계가 추출된 쌍의 비율을 말한다.

후속연구

아무리 정확한 시스템이라 하더라도 적용력이 10% 수준이라면 그 시스템의 실질적인 활용도는 떨어질 수 밖에 없다. 따라서 1차적으로는 적용력을 높이는 방향으로, 그리고 그 다음에 정확도를 높이는 방향으로 시스템 성능 향상과 관련한 연구가 진행될 것이다.
이는 클러스터링을 하더라도 실제 문장에 나타난 격틀 구조를 미리 구축한 사전으로 처리하는데 한계를 보인다는 것을 말한다. 따라서 사전의 지속적인 확대 뿐만 아니라 다양한 기계 학습 방법론 및 통계적인 방법론이 추가적으로 고려되어야 할 것이다.
이는 본 논문의 기본 방향인 동사 클러스터링에 기반한 의미 어휘 사전의 구축이 올바른 방향성을 가지고 있음을 보여준다. 따라서 앞으로는 보다 적용력을 높이고 반면에 정확도는 떨어지지 않는 방법을 추가하여 전체적으로 거의 대다수의 술어-논항 쌍의 의미 관계 추출이 될 수 있어야할 것이다. 또한 정확하게 의미 역이 결정되지 못한 데이터를 중점적으로 분석하여 정확도를 향상시킬 수 있는 방법을 찾아야 할 것이다.
먼저 의미 어휘 사전은 개별 동사 격틀 사전으로는 그 적용 범위가 너무 작기 때문에 보유하고 있는 격틀이 유사한 동사 어휘들을 k-means 및 EM 알고리즘을 사용하여 클러스터링을 하고 동일 클러스터로 모인 동사들의 격틀을 모두 통합하여 하나의 사전을 만들었다. 따라서 향후 특정 동사 어휘로 이 사전에 접근하게 되면 원래 이 동사가 가지고 있던 격틀 정보뿐만 아니라, 동일 클러스터에 포함되어 있는 여타 동사들의 격틀 정보도 함께 사용할 수 있다.
따라서 앞으로는 보다 적용력을 높이고 반면에 정확도는 떨어지지 않는 방법을 추가하여 전체적으로 거의 대다수의 술어-논항 쌍의 의미 관계 추출이 될 수 있어야할 것이다. 또한 정확하게 의미 역이 결정되지 못한 데이터를 중점적으로 분석하여 정확도를 향상시킬 수 있는 방법을 찾아야 할 것이다.
따라서 본 논문에서는 비교적 모호성이 큰 부사격 조사의 논항들만을 분석 대상으로 하였다. 보다 상세한 주격 조사의 논항 및 목적격 조사의 논항은 향후 연구 과제로 잠시 미루고자 한다.
현 시스템은 많은 다양한 모듈과 데이터 사전으로 구성된다. 이들 모듈을 지속적으로 테스트함으로써 문제가 되는 부분을 고치고, 동시에 사전을 지속적으로 검증하여 문제점을 수정해야 할 것이다. 또한 미등록어의 처리 문제는 매우 중요한 사안이 될 것이다.
또한 매핑이 이루어진 격틀 역시 오류를 가지고 있을 수 있는데, 이는 실제 문장에서 사용된 격틀은 생각보다 매우 다양하기 때문이다. 이를 극복하기 위해서는 매핑이 이루어진 상황에서도 이를 보다 유연하게 활용할 수 있는 방법을 찾아야 할 것이다.
향후 연구로는 첫째, 거의 프로토타입 수준의 현 시스템의 완성도를 높이는 것이다. 현 시스템은 많은 다양한 모듈과 데이터 사전으로 구성된다.

핵심어	질문	논문에서 추출한 답변
	Proposition Bank란?	Proposition Bank (이하 PropBank) [7]는 동사의 술어-논항 (Predicate-Argument) 구조를 태그해 놓은 말뭉치를 말하고, 현재는 의미 역 결정 관련 연구에 매우 다양하게 사용되고 있다. 기본적으로 PropBank는 동사의 의존 구조(dependency structure)를 우선 분석하고 술어에 의미상 의존하고 있는 여러 문장 성분들에 적합한 논항 번호를 부여함으로써 문장의 술어-논항 관계를 보여주고 있다.
	대표적인 한국어 말뭉치는?	한국어의 경우 형태소 분석 및 구문 분석에서는 매우 많은 연구들이 진행되어 왔으며, 이들 분석과 관련하여 다양한 표지 부착된 한국어 말뭉치가 개발되어 왔다. 대표적인 말뭉치로는 한국전자통신연구원의 품사 부착 말뭉치 및 구문구조 부착 말뭉치, 21세기 세종계획에 의한 형태소 분석 말뭉치, 구문 분석 말뭉치, 의미 어휘 분석 말뭉치, 한국과학기술원의 품사 부착 말뭉치 등이 있다[2].
	자연언어처리를 분류하면?	일반적으로 자연언어처리에서는 형태소 분석(Morphological Analysis), 구문 분석(Syntactic Analysis), 의미 분석(Semantic Analysis), 담화 분석(Discourse Analysis), 그리고 대화 분석(Dialogue Analysis)을 기반 기술로 분류한다[1]. 한국어의 경우 형태소 분석 및 구문 분석에서는 매우 많은 연구들이 진행되어 왔으며, 이들 분석과 관련하여 다양한 표지 부착된 한국어 말뭉치가 개발되어 왔다.

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

한국어 의미 표지 부착 말뭉치 구축을 위한 자동 술어-논항 분석기 개발
A Development of the Automatic Predicate-Argument Analyzer for Construction of Semantically Tagged Korean Corpus 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (21)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

한국어 의미 표지 부착 말뭉치 구축을 위한 자동 술어-논항 분석기 개발 A Development of the Automatic Predicate-Argument Analyzer for Construction of Semantically Tagged Korean Corpus 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (21)

이 논문을 인용한 문헌

저자의 다른 논문 :

조정현 (1) 정현기 (1) 김유섭 (9)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

한국어 의미 표지 부착 말뭉치 구축을 위한 자동 술어-논항 분석기 개발
A Development of the Automatic Predicate-Argument Analyzer for Construction of Semantically Tagged Korean Corpus 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper