$\require{mediawiki-texvc}$

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.

인공지능 음성언어 비서 시스템의 자연언어처리 기술들 원문보기

정보과학회지 = Communications of the Korean Institute of Information Scientists and Engineers, v.35 no.8 = no.339, 2017년, pp.9 - 18  

김학수 (강원대학교)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 다시 말해서 음성언어 비서 시스템은 거의 모든 자연어처리 기술을 총망라하여 사용한다고 할 수 있다. 본 논문에서는 음성언어 비서 시스템 구현에 필요한 자연어처리 기술들 중에서 반드시 필요하면서도 접근 방법이 서로 대비되는 기술을 이해하기 쉽게 개념적으로 소개한다.
  • 본 논문에서는 인공지능 음성언어 비서 시스템 개발에 필요한 핵심 자연어처리 기술인 음성언어 후처리, 개체명 인식 및 엔터티 링킹, 담화 분석 및 대화 모델 그리고 채팅 모델에 대해서 살펴보았다. 음성언어 후처리 모델을 소개하는 부분에서는 띄어쓰기 오류 보정이 순차 레이블링 모델로, 철자 오류 보정은 노이즈 채널 모델로, 음성인식 결과 재순위화는 그래프 탐색 모델로 다뤄질 수 있음을 제시하였다.

가설 설정

  • 5, 6, 7, 8, 9]. 사전을 사용한 철자 오류 보정은 주로 영어권 국가들이 사용하는 방법으로 모든 입력문장의 각 단어들을 일반 사전에서 검색한 후 일반 사전에 존재하지 않는 단어는 철자 오류라고 가정한다. 철자오류로 가정된 문자열은 편집거리(edit-distance)나 메타폰(meta phone) 알고리즘 등을 사용하여 해당 단어와 거리가 가까운 사전 단어로 대체된다[6].
본문요약 정보가 도움이 되었나요?

참고문헌 (26)

  1. 조성선, 김용균, "플랫폼으로 진화하는 인공지능(AI) 음성비서", IITP 1CT Spot Issue, Vol. 2, 2017. 

  2. D. Lee, H. Rim, and D. Yook, "Automatic Word Spacing Using Probabilistic Models Based on Character N-grarns", IEEE Intelligent Systems, Vol. 22 (1), pp. 28 - 35, 2007. 

    상세보기 crossref

  3. Y. Song and H. Kim, "Automatic Word Spacing of Erroneous Sentences in Mobile Devices with Limited Hardware Resources", Information Processing and Management, Vol. 47 (4), pp. 518-527, 2011. 

    상세보기 crossref

  4. 노형종, 차정원, 이근배, "띄어쓰기 및 철자 오류 동시 교정을 위한 통계적 모델", 정보과학회논문지: 소프트웨어 및 응용, 34권 제2호, pp. 131-139, 2007. 

  5. S. Jacquemont, F. Jacquenet, and M. Sebban, "Correct your text with Google", Proceedings of IEEE/WIC/ACM International Conference on Web Intelligence, pp. 170-176, 2007. 

  6. J. Schaback, "Multi-Level Feature Extraction for Spelling Correction", Proceedings of IJCAI-2007 Workshop on Analytics for Noisy Unstructured Text Data, pp. 78-86, 2007. 

  7. E. Brill and R. C. Moore, "An Improved Error Model for Noisy Channel Spelling Correction", Proceedings of the 38th Annual Meeting of the ACL, pp. 286-293, 2000. 

  8. 강승식, 장두성, "SMS 변형된 문자열의 자동 오류 교정 시스템", 정보과학회논문지: 소프트웨어 및 응용, 제35권 제6호, pp. 386-391, 2008. 

  9. 이세희, 김학수, "교정사전과 신문기사말뭉치를 이용한 한국어 철자 오류 교정 모델", 정보처리학회논문지, 16권 5호, pp. 427-434, 2009. 

  10. D. Jurafsky and J. H. Martin, "Spelling Correction and the Noisy Channel", Speech and Language Processing (Draft of November 7), 2016. 

  11. 박건우, 이현구, 김학수, "Sequence-to-sequence 기반 다중 발화 후보를 이용한 형태소 분석기", 한국컴퓨터종합학술대회(발표예정), 2017. 

  12. C. Lee, Y. Hwang, H. Oh, S. Lim, J. Heo, C. Lee, H. Kim, J. Wang and M. Jang, "Fine-Grained Named Entity Recognition using Conditional Random Fields for Question Answering," Proceedings of AIRS 2006, pp. 581-587, 2006. 

  13. 이창기, 장명길,"Structural SVMs 및 Pegasos 알고리즘을 이용한 한국어 개체명 인식", 인지과학, 21권 4호, pp. 655-667, 2010. 

  14. S. Lee, Y. Song, M. Choi, and Harksoo Kim, "Bagging-Based Active Learning Model for Named Entity Recognition with Distant Supervision", Proceedings of BigComp 2016, pp. 321-324, 2016. 

  15. G. Lample, M. Ballesteros, S. Subramanian, K. Kawakami, and C. Dyer, "Neural Architectures for Named Entity Recognition", Proceedings of NAACL 2016, 2006. 

  16. W. Yin, M. Yu, B. Xiang, B. Zhou, H. Schutze, "Simple Question Answering by Attentive Convolutional Neural Network", Proceedings of COLING 2016, 2016. 

  17. 김민경, 김학수, "Long Short-Term Memory를 이용한 통합 대화 분석", 제28회 한글 및 한국어 정보처리 학술대회, pp. 119-121, 2016. 

  18. M. Kim and H. Kim, "Integrated Neural Network Model for Identifying Speech Acts, Predicators, and Sentiments of Dialogue Utterances", Kangwon National University, Technical Report (KNU NLP Lab.), 2017. 

  19. D. Kim, J. Choi, K.-E. Kim, J. Lee, and J. Sohn, "Engineering Statistical Dialog State Trackers: A Case Study on DSTC", Proceedings of the SIGDIAL 2013 Conference, pp. 462-466. 2013. 

  20. Y. Jang, J. Ham, B.-J. Lee, Y. Chang, and K.-E. Kim, "Neural Dialog State Tracker for Large Ontologies by Attention Mechanism", Proceedings ofiEEE Workshop on Spoken Language Technology, 2016. 

  21. WildML, http://www.wildml.com, Visited in 21/05/2017. 

  22. 전원표, 송영길, 김학수, "채팅 시스템 구현을 위한 3단계 문장 검색 방법", 한국마린엔지니어링학회지, 37권, 2호, pp. 205-212, 2013. 

    원문보기 상세보기

  23. 안동언, "Corpus를 기반으로 하는 한국어 술어의 양상 생성", KAIST 박사학위논문, 1995. 

  24. 김시형, 김학수, "의사 형태소 단위 채팅 시스템", 제28회 한글 및 한국어 정보처리 학술대회, pp. 263-267, 2016. 

  25. J. Li, M. G., C. Brockett, J. Gao, and B. Dolan, "A Diversity-Promoting Objective Function for Neural Conversation Models", Proceedings of NAACL 2016, 2016. 

  26. J. Li, M. Galley, C. Brockett, G. P. Spithourakis, J. Gao, and B. Dolan, "A Persona-Based Neural Conversation Model", Proceedings of ACL 2016. 2016. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

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