$\require{mediawiki-texvc}$

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.

좌최장일치법과 HMM을 결합한 경량화된 한국어 형태소 분석
Light Weight Korean Morphological Analysis Using Left-longest-match-preference model and Hidden Markov Model 원문보기

인지과학 = Korean journal of cognitive science, v.24 no.2, 2013년, pp.95 - 109  

강상우 (서강대학교 컴퓨터학과) ,  양재철 (삼성전자 소프트웨어 센터) ,  서정연 (서강대학교 컴퓨터학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 제한된 자원을 사용하는 기기에 적합한 경량화된 한국어 형태소 분석 및 품사 부착 방법을 제안한다. 관련된 초기 연구로는 규칙에 기반을 둔 방법들이 적용되었으나 최근에는 통계에 기반을 둔 방법들을 중심으로 연구되고 있다. 계산 처리 능력과 사용 가능한 메모리가 제한되는 환경에서는 규칙에 기반을 둔 방법보다 상대적으로 많은 자원을 사용하는 통계에 기반을 둔 방법을 사용하여 형태소 분석 및 품사 부착을 수행하기에는 한계가 있다. 본 논문에서는 기존의 규칙에 기반을 둔 형태소 분석 방법인 좌최장일치법을 개선하여 형태소 분석을 수행하고, 통계적인 방법인 hidden Markov model을 축소하여 형태소 품사 부착을 수행한다. 제안하는 방법은 기존의 hidden Markov model을 사용한 시스템과 유사한 성능을 보여주며 소량의 메모리 사용과 월등히 빠른 속도로 형태소 분석 및 품사 부착을 수행할 수 있다.

Abstract AI-Helper 아이콘AI-Helper

With the rapid evolution of the personal device environment, the demand for natural language applications is increasing. This paper proposes a morpheme segmentation and part-of-speech tagging model, which provides the first step module of natural language processing for many languages; the model is ...

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 규칙에 기반을 둔 모델과 통계에 기반을 둔 모델의 장점을 결합한 형태소 분석과 품사 부착 방법을 제안한다. 제안하는 방법은 기존의 규칙에 기반을 둔 형태소 분석 방법인 좌최장일치법을 개선하여 형태소 분석을 수행하고 통계적인 방법인 HMM을 축소 적용하여 형태소 품사 부착을 수행한다.
  • 이러한 방법들은 자원 사용을 증가시키기 때문에 제한된 자원을 제공하는 환경에 적용하기 어렵다. 본 논문에서는 이러한 문제를 해결하기 위하여 부분 형태소 열 사전을 사용한다. 부분 형태소 열 사전은 동일한 형태소 분리가 일어나는 문자열에 최장일치법에 의해 선택된 한 개의 후보 이외에 정답으로 선택될 수 있는 추가적인 후보들을 제공한다.
  • 이 방법은 음절 n-그램 사전을 사용하여 복잡한 확률계산 없이 단순 검색을 통해서 자동 띄어쓰기를 수행하였다. 본 논문에서는 제한된 자원을 갖는 기기에서 형태소 분석 및 품사 부착을 위한 새로운 방법을 제안한다.
  • 본 논문에서는 최근 사용이 급속도로 늘고 있는 개인화 소형기기에 적합한 한국어 형태소 분석 및 품사 부착 방법을 제안하였다. 빠른 응답 속도를 위해 좌최장일치법을 응용하여 사용하였고 올바른 형태소 분석 결과가 긴 형태소보다 순위가 낮음으로써 정답으로 생성되지 못하는 단점을 보완하기 위해 부분 형태소 열 사전을 이용하였다.

가설 설정

  • 그리고 형태소 wi가 여러 개의 형태소로 분리되는 경우는 부분 형태소 열 사전에서 생성하는 후보 들 중에서 결과를 생성한다. 하지만 형태소 wi가 하나의 품사로만 쓰일 경우는 개선된 좌최장일치법에 의한 형태소 분석 결과가 동일한 분리를 갖기 때문에 하나의 품사로만 쓰이는 형태소의 관측 확률은 최적의 형태소 분석 결과를 찾는데 영향을 미치지 않으며 본 연구에서는 c를 1로 정하였다. 그림 4의 예에서 “압류”는 일반명사만을 품사로 갖기 때문에 “압류/일반명사”의 관측 확률은 최적의 형태소 열을 찾는데 영향을 미치지 않는다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
형태소 분석이란 무엇인가? 자연어 처리의 여러 요소 기술 중 형태소 분석 및 품사 부착은 다양한 자연어 처리의 응용 분야에 중요한 기반 기술로 사용되기 때문에 제한된 자원을 사용하는 환경에서 효과적으로 형태소 분석 및 품사 부착을 수행하는 방법이 필요하다. 형태소 분석이란 주어진 입력문장 또는 어절을 최소 의미 단위인 형태소로 분리하는 작업이다. 이러한 형태소 분석 결과에서 가장 적합한 형태소의 조합과 품사 정보를 선택하는 작업을 품사 부착이라 한다.
품사 부착은 어떤 작업을 말하는가? 형태소 분석이란 주어진 입력문장 또는 어절을 최소 의미 단위인 형태소로 분리하는 작업이다. 이러한 형태소 분석 결과에서 가장 적합한 형태소의 조합과 품사 정보를 선택하는 작업을 품사 부착이라 한다. 형태소 분석 및 품사 부착의 결과는 정보 검색, 정보 추출, 기계 번역 등 자연어 처리의 여러 응용 분야에서 중요하게 사용된다.
수작업으로 획득한 규칙을 이용하여 형태소 분석의 단점은 무엇인가? 규칙에 기반을 둔 형태소 분석 연구들은 수작업으로 획득한 규칙을 이용하여 형태소 분석을 수행하였다[1-3]. 하지만 형태소 분석에 적용되는 모든 가능한 규칙을 획득하기 어렵고, 규칙 획득에 큰 비용이 드는 단점이 있다. 이러한 단점을 극복하기 위하여 최근 연구들은 통계에 기반을 둔 방법을 통하여 형태소 분석을 접근하였다.
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 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