$\require{mediawiki-texvc}$

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.

단어 의미와 자질 거울 모델을 이용한 단어 임베딩
A Word Embedding used Word Sense and Feature Mirror Model

정보과학회. 컴퓨팅의 실제 논문지 = KIISE transactions on computing practices, v.23 no.4, 2017년, pp.226 - 231  

이주상 (울산대학교 전기전자컴퓨터공학과) ,  신준철 (울산대학교 IT융합전공) ,  옥철영 (울산대학교 IT융합전공)

초록
AI-Helper 아이콘AI-Helper

단어 표현은 기계학습을 사용하는 자연어 처리 분야에서 중요하다. 단어 표현은 단어를 텍스트가 아닌 컴퓨터가 분별할 수 있는 심볼로 표현하는 방법이다. 기존 단어 임베딩은 대량의 말뭉치를 이용하여 문장에서 학습할 단어의 주변 단어를 이용하여 학습한다. 하지만 말뭉치 기반의 단어 임베딩은 단어의 등장 빈도수나 학습할 단어의 수를 늘리기 위해서는 많은 양의 말뭉치를 필요로 한다. 본 논문에서는 말뭉치 기반이 아닌 단어의 뜻풀이와 단어의 의미 관계(상위어, 반의어)를 이용하며 기존 Word2Vec의 Skip-Gram을 변형한 자질거울모델을 사용하여 단어를 벡터로 표현하는 방법을 제시한다. 기존 Word2Vec에 비해 적은 데이터로 많은 단어들을 벡터로 표현 가능하였으며 의미적으로 유사한 단어들이 비슷한 벡터를 형성하는 것을 확인할 수 있다. 그리고 반의어 관계에 있는 두 단어의 벡터가 구분되는 것을 확인할 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Word representation, an important area in natural language processing(NLP) used machine learning, is a method that represents a word not by text but by distinguishable symbol. Existing word embedding employed a large number of corpora to ensure that words are positioned nearby within text. However c...

주제어

#단어 임베딩   #단어 표현   #어휘의미망   #의미관계   #국어사전   #단어의미   #자질거울모델  

참고문헌 (7)

  1. Bengio, Y., Ducharme, R., Vincent, P., &Jauvin, C. A neural probabilistic language model, journal of machine learning research, 3(Feb), 1137-1155, 2003. 

  2. Mikolov, T., Karafiat, M., Burget, L., Cernocky, J., & Khudanpur, S. Recurrent neural network based language model, Interspeech, Vol. 2, p. 3, Sep. 2010. 

  3. Pennington, J., Socher, R., &Manning, C. D. Glove: Global Vectors for Word Representation, EMNLP, Vol. 14, pp. 1532-43). 2014. 

  4. Levy, O., Goldberg, Y. Dependency-Based Word Embeddings, ACL (2), pp. 302-308, 2014. 

  5. Mikolov, T., Chen, K., Corrado, G., & Dean, J. Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781, 2013. 

  6. Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. Distributed representations of words and phrases and their compositionality, Advances in neural information processing systems, pp. 3111-3119, 2013. 

  7. Young-Jun Bae., CheolYoung Ock. Introduction to the Korean Word Map(UWordMap) and API, Proc. of the 26th Annual Conference on Human and Cognitive Language Technology, pp. 27-31, 2014. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

유발과제정보 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