[논문]형태소 분석기를 이용한 키워드 검색 기반 한국어 텍스트 명령 시스템

박대근; 이완복

doi:10.15207/jkcs.2019.10.2.159

초록
AI-Helper

딥러닝을 기반으로 한 음성 인식 기술이 상용 제품에 적용되기 시작했지만, 음성 인식으로 분석된 텍스트를 효율적으로 처리할 방법이 없기 때문에 VR 컨텐츠에서 그 적용 예를 찾아 보기는 쉽지 않다. 본 논문은 문장의 형태소를 분석하는 형태소 분석기와 챗봇 개발에 주로 이용되는 검색 기반 모델(Retrieval-Based Model)을 활용하여 명령어를 효율적으로 인식하고 대응할 수 있는 한국어 텍스트 명령 시스템을 제안하는 것을 목적으로 한다. 실험 결과 제안한 시스템은 문자열 비교 방식과 같은 동작을 하기 위해 16%의 명령어만 필요했으며, Google Cloud Speech와 연동하였을 때 60.1%의 성공률을 보였다. 실험 결과를 통해 제안한 시스템이 문자열 비교 방식보다 효율적이라는 것을 알 수 있다.

Abstract ▼ AI-Helper

Based on deep learning technology, speech recognition method has began to be applied to commercial products, but it is still difficult to be used in the area of VR contents, since there is no easy and efficient way to process the recognized text after the speech recognition module. In this paper, we...

Based on deep learning technology, speech recognition method has began to be applied to commercial products, but it is still difficult to be used in the area of VR contents, since there is no easy and efficient way to process the recognized text after the speech recognition module. In this paper, we propose a Korean Language Command System, which can efficiently recognize and respond to Korean speech commands. The system consists of two components. One is a morphological analyzer to analyze sentence morphemes and the other is a retrieval based model which is usually used to develop a chatbot system. Experimental results shows that the proposed system requires only 16% commands to achieve the same level of performance when compared with the conventional string comparison method. Furthermore, when working with Google Cloud Speech module, it revealed 60.1% of success rate. Experimental results show that the proposed system is more efficient than the conventional string comparison method.

주제어

표/그림 (13)

그림 Fig. 1. Market Outlook
그림 Fig. 2. The process of registering a skill
그림 Fig. 3. Flowchart of Korean text command system
그림 Fig. 4. Flowchart of Korean text command system
그림 Fig. 5. Comparison of dictionary design methods
그림 Fig. 6. Postpositions
그림 Fig. 7. Keyword extraction result
그림 Fig. 8. Command search process flowchart
그림 Fig. 9. Command Search Result
그림 Fig. 10. Action pseudocode
그림 Fig. 11. Unity3D 2017.4.2.f2
그림 Fig. 12. Action pseudocode
그림 Fig. 13. Recognized command and registered command

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 최소한의 명령어 등록을 통해 최대한의 명령을 인식하고자 형태소 분석기와 키워드 인식 기술을 활용하여 명령어를 효율적으로 인식하고 대응할 수 있는 한국어 텍스트 명령 시스템을 제안하였다.
이에 본 논문은 문장의 형태소를 분석하는 형태소 분석기와 챗봇 개발에 이용되는 검색 기반 모델(Retrieval-Base Model)을 이용하여 키워드 인식(Keyword Recognition)을 통해 명령어를 효율적으로 인식하고 대응할 수 있는 한국어 텍스트 명령 시스템을 제안하는 것을 목적으로 한다.

제안 방법

그 후 단어 모음 List를 순회하며 명령어 사전에 단어가 Key값으로 존재하는지 확인한다. 단어가 사전에 Key 값으로 존재한다면 해당 단어를 List에서 제거하고, 제거 한 단어를 선행 Key값으로 하여 다음 Key값을 찾기 위해 다시 List를 순회한다.
본 논문에서 제안하는 시스템의 효율성을 검증하기 위해 5:5 전투 시스템과 스킬, 가방, 지도, 환경옵션과 같은 기초적인 기능들을 가진 미니 게임을 만들어 두 가지의 실험을 진행하였다. 첫 번째는 “위로 이동”, “가방 열기”, “볼륨 10으로 변경”, “볼륨 20으로 변경” 등 임의의 100가지의 행위를 정의하고 문자열 비교 방식과 텍스트 명령 시스템을 사용하였을 때 각각 100가지의 행위를 실행하기 위해 필요한 명령어의 개수와 명령에 대한 Action의 개수를 비교하였으며, 두 번째는 텍스트 명령 시스템과 구글 클라우드 스피치(Google Cloud Speech)를 연동하였을 때 얼마나 명령이 잘 실행되는지 확인하기위해 하나의 행위당 3번씩 명령을 실행하여 명령 성공 횟수를 구하였다.
본 논문에서 제안한 한국어 텍스트 명령 시스템은 사전(Dictionary)에 Fig 3에서 보이는 바와 같이 등록한 명령을 사용자 입력, 형태소 분석, 키워드 추출, 명령 검색, 명령 실행 5단계를 걸쳐 실행한다.
연구는 알고리즘 개발과 실험 두 단계로 진행하며 실험은 문자열 비교 방식과 텍스트 명령 시스템을 사용하였을 때 특정한 행위들을 실행하기 위해 필요한 명령어의 개수와 명령에 대한 Action의 개수를 비교하고 구글 클라우드 스피치(Google Cloud Speech)와 텍스트 명령 시스템을 연동하였을 때 얼마나 명령이 잘 실행되는지 확인하기 위해 명령 성공 횟수를 구하였다.
유니티상에선 트위터 형태소 분석기를 사용하기 어려워 유니티에서 Input Data를 파이썬 서버로 송신하고 싶어 이썬 서버가 수신 받은 Input Data를 형태소 분석하여 다시 유니티로 송신해주는 형태로 구현하였다.
제안한 시스템은 명령어를 Intend, Keyword, Excutor, Action으로 나눠 등록하고 사용자가 입력한 문장을 형태소 분석 후, 분석된 단어들을 기반으로 등록된 명령어가 있는지 검색하여 실행한다.
첫 번째는 “위로 이동”, “가방 열기”, “볼륨 10으로 변경”, “볼륨 20으로 변경” 등 임의의 100가지의 행위를 정의하고 문자열 비교 방식과 텍스트 명령 시스템을 사용하였을 때 각각 100가지의 행위를 실행하기 위해 필요한 명령어의 개수와 명령에 대한 Action의 개수를 비교하였으며, 두 번째는 텍스트 명령 시스템과 구글 클라우드 스피치(Google Cloud Speech)를 연동하였을 때 얼마나 명령이 잘 실행되는지 확인하기위해 하나의 행위당 3번씩 명령을 실행하여 명령 성공 횟수를 구하였다.

데이터처리

제안하는 시스템의 효율성 검증을 위해 100가지 행위를 정의하고 그 행위를 실행하기 위해 필요한 명령어와 Action의 개수를 문자열 비교 방식을 비교 분석하였으며, 구글 클라우드 스피치(Google Cloud Speech)와 텍스트 명령 시스템을 연동하여 명령 성공 횟수를 구하였다.

이론/모형

입력된 문장의 품사를 분석해주는 도구로 문장 구조(Pattern)를 토대로 미리 만들어둔 말뭉치에서 단어들을 검색하여 품사를 분석하고 필요에 따라 단어를 원형으로 되돌려준다. Twitter, KKMA, Mecab-ko 등 다양한 오픈 소스 한국어 형태소 분석기들이 존재하며, 본 연구에선 연구의 편의성을 위해 Twitter 형태소 분석기를 사용한다[11].
본 연구에선 딥러닝을 이용한 문장 유사도 검색이 아닌 키워드 인식(Keyword Recognition)을 통한 키워드 검색 방식을 사용한다. 키워드 인식을 이용한 대표적인 챗봇으로는 Eliza[14]와 Alic[15]가 존재한다.

성능/효과

구글 클라우드 스피치(Google Cloud Speech)와 텍스트 명령 시스템의 연동에선 단어의 보정 및 비슷한 발음의 모음에 의해 명령 성공률이 다소 낮아 이에 대한 보완 이 필요함을 알 수 있었으며 구글 클라우드 스피치 (Google Cloud Speech)가 아라비아 숫자도 한글로 변환시키기 때문에 변환된 한글 숫자를 다시 아라비아 숫자로 변환시키는 작업이 필요함을 알 수 있었다.
두 번째 실험 결과 총 300번의 음성 명령 중 182번의 명령이 성공하여 60.1%의 성공률을 보였다. 실험 전 70% 이상의 성공률을 보일거라 예상하였으나 그에 미치지 못하는 수치를 보였는데 이유는 2가지이다.
실험 결과 100가지 행위를 하기 위해 필요한 명령어가 문자열 비교 방식에 비해 상당히 줄어들어 텍스트 명령 시스템이 문자열 비교 방식보다 효율적이라는 것을 알 수 있었으며, 키워드 인식을 통해 어순이 뒤바뀌거나 종결 어미가 다른 다양한 형태의 문장도 인식할 수 있음을 알 수 있었다.
첫 번째 실험 결과 Fig 11에서 보이는 바와 같이 문자열 비교 방식은 총 100개의 명령어가 필요했으며 텍스트 명령 시스템은 총 16개의 명령어만 필요했다.

후속연구

현재는 한 번에 한명의 Excutor에게 한 가지의 명령밖에 내릴 수 없지만 향후 연구를 통해 한번에 여러 Excutor에게 여러 명령을 내릴 수 있도록 시스템을 개선할 필요가 있다. 또한 현재 텍스트 명령 시스템의 성능과 인식도가 형태소 분석기에 좌우되기 때문에 텍스트 명령 시스템에 최적화된 형태소 분석기의 개발이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	검색 기반 모델이란 무엇인가?	검색 기반 모델(Retrieval-Base Model)은 미리 유저 의 질문과 대답을 시스템에 입력해놓고 유저가 질문을 입력할 시 그 질문에 가장 가까운 대답을 내놓는 모델이다. 생성 기반 모델(Generative Model)에 비해 유연성은 떨어진다는 단점이 있지만 정확도가 높고 생성 기반 모델에 비해 개발이 쉽다는 장점이 있다.
	음성 인식 기술을 활용한 VR 컨텐츠를 찾아보기 힘든 이유는 무엇인가?	그럼에도 현재 국내외로 음성 인식 기술을 활용한 VR 컨텐츠를 찾아보기 힘든 것은 서버 비용, 이중 작업 문제 등 여러 가지 이유가 존재하지만 근본적으로 음성 인식으로 넘어온 텍스트를 효율적으로 처리할 방법이 없기 때문이다. 단순히 문자열 비교를 통한 행위와 명령의 1:1 의 연결로는 다양한 형식의 명령에 대응하기 어렵고 수백, 수 천 가지의 명령어가 생기게 되어 유지 보수가 힘 들어 질 것이다.
	VR 컨텐츠 개발이 어려운 이유는 무엇인가?	첫 번째 이유와 두 번째 이유는 하드웨어의 한계로 나타나는 문제이지만 세 번째 문제가 나타나는 이유는 두가지이다. 첫 번째, 기존 2D UX, UI를 3D로 개발할 때의 디자인적 어려움이 존재한다. 잘못된 UX, UI 디자인은 유저의 시야를 방해하고 사이버 멀미를 더욱 심하게 만들기 때문이다[4.5]. 두 번째, 컨트롤러에 존재하는 버튼 수의 한계 때문에 많은 기능을 넣기 힘들며, Fig 2에서 보이는 바와 같이 기능이 많아질수록 그것을 하기 위해 거쳐야 하는 단계가 많아지기 때문에 조작 피로도는 올라가고 몰입감은 떨어진다[6,7].

참고문헌 (15)

Hebronstar. (2018). VR/AR Trends. Hebronstar [Online], http://hebronstar.com/?p6272.
K. U. Han & H. T. Kim. (2011). The Cause and Solution of Cybersickness in 3D Virtual Environments. Korean Journal of Cognitive and Biological Psychology. 23(2). 287-299.

상세보기
J. Y. Jumg, K. S. Cho, J. H. Choi & J. H. Choi. (2017). Causes of Cyber Sickness of VR Contents - An Experimental Study on the Viewpoint and Movement. The Korea Contents Society. 17(4). 200-208.
M. Y. Choi & S. W. Kim. (2016). EA Study on the First Use Experience for Rapid Adaptation to HMD VR Contents -Focused on Samsung Gear VR Game Application-. Korean Society of Basic Design & Art. 17(6). 605-616.
J. W. Park & S. K. No. (2018). EA Study on the Structural Features of VR HMD Interface Design -Focused Oculus Home -. The Korean Society Of Design Culture. 37. 78-87.
J. Y. Han. (2016). Study on the Feature of Mobile HMD-Based VR Experience Contents Design. Korean Institute of Spatial Design. 37(0). 78-87.
O. T. Kim. (2010). The Impact of Video Game's Controller Realism on Natural Mapping, Spatial Presence, Arousal and Emotions: Using First-Person Shooting Video Games. korean society for journalism and communication studies. 54(5). 227-253.
E. J. Hong, K. S. Cho & J. H. Choi. (2017). Effects of Anthropomorphic Conversational Interface for Smart Home:An Experimental Study on the Voice and Chatting Interactions. HCI Society of Korea. 12(1). 15-23.

원문보기 상세보기
J. H. Choi & S. H. Lee. (2017). 음Current status and implications of voice recognition AI secretary market. Korea Association for Telecommunications Polices. 29(9). 1-37.
S. R. Jung. (2018). Analysis of promising technologies based on artificial intelligence through patent search. Master dissertation. Korea University. Seoul.
E. J. Park & S. Z. Cho. (2014). KoNLPy: Korean natural language processing in Python. HCLT. 26. 133-136.
Jack Cahn. (2017). CHATBOT: Architecture, Design, & Development. Senior Thesis. University of Pennsylvania. Pennsylvania.
Rob High. (2012). The Era of Cognitive Systems: An Inside Look at IBM Watson and How it Works. Armonk : IBM RedBooks.
J. Weizenbaum. (1996). ELIZA-A computer program for he study of natural language communication be-tween man can machine. Communications of the Association for Computing Machinery. 9(1). 36-46.
B. P. Schumaker, Ying Liu, Mark Ginsburg & Hsinchun Chen. (2006). Evaluating mass knowledge ac-quisition using the ALICE chatterbot: the AZ-ALICE dialog system. International Journal of Human-Computer Studies. 64(11). 1132-1140.

상세보기

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

형태소 분석기를 이용한 키워드 검색 기반 한국어 텍스트 명령 시스템
Keyword Retrieval-Based Korean Text Command System Using Morphological Analyzer 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

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

형태소 분석기를 이용한 키워드 검색 기반 한국어 텍스트 명령 시스템 Keyword Retrieval-Based Korean Text Command System Using Morphological Analyzer 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

이완복 (50)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

형태소 분석기를 이용한 키워드 검색 기반 한국어 텍스트 명령 시스템
Keyword Retrieval-Based Korean Text Command System Using Morphological Analyzer 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper