[논문]목적 지향 대화를 위한 효율적 질의 의도 분석에 관한 연구

김학동; 고명현; 임헌영; 이유림; 지민규; 김원일

doi:10.5909/jbe.2019.24.1.48

[국내논문] 목적 지향 대화를 위한 효율적 질의 의도 분석에 관한 연구
Effective Text Question Analysis for Goal-oriented Dialogue 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.24 no.1, 2019년, pp.48 - 57

김학동 (세종대학교 디지털콘텐츠학과) , 고명현 (세종대학교 디지털콘텐츠학과) , 임헌영 (세종대학교 디지털콘텐츠학과) , 이유림 (세종대학교 인공지능언어공학과) , 지민규 (세종대학교 소프트웨어융합학과) , 김원일 (세종대학교 소프트웨어학과)

초록
AI-Helper

본 연구는 목적 지향 대화 시스템 내에서 단일 한국어 텍스트 형식의 질문으로부터 질의자의 의도를 파악하는 것을 목적으로 한다. 목적 지향 대화 시스템은 텍스트 또는 음성을 통한 사용자의 특수한 요구를 만족시켜주는 대화 시스템을 의미한다. 의도 분석 과정은 답변 생성에 앞서 사용자의 질의 의도를 파악하는 단계로, 목적 지향 대화 시스템 전체의 성능에 큰 영향을 준다. 생활화학제품이라는 특정 분야에 제안 모델을 사용하였고, 해당 분야와 관련된 한국어 텍스트 데이터를 이용하였다. 특정 분야에 독립적이며 범용적인 의도를 의미하는 화행과, 특정 분야에 종속적인 의도를 의미하는 개념열로 나누어 분석한다. 화행과 개념열을 분석하기 위하여 단어 임베딩 모델, 합성곱 신경망을 이용한 분류 방법을 제안한다. 단어 임베딩 모델을 통하여 단어의 의미정보를 추상화하고, 추상화된 단어의 의미정보를 기반으로 합성곱 신경망을 통하여 개념열 및 화행 분류를 수행한다.

Abstract ▼ AI-Helper

The purpose of this study is to understand the intention of the inquirer from the single text type question in Goal-oriented dialogue. Goal-Oriented Dialogue system means a dialogue system that satisfies the user's specific needs via text or voice. The intention analysis process is a step of analysing the user's intention of inquiry prior to the answer generation, and has a great influence on the performance of the entire Goal-Oriented Dialogue system. The proposed model was used for a daily chemical products domain and Korean text data related to the domain was used. The analysis is divided into a speech-act which means independent on a specific field concept-sequence and which means depend on a specific field. We propose a classification method using the word embedding model and the CNN as a method for analyzing speech-act and concept-sequence. The semantic information of the word is abstracted through the word embedding model, and concept-sequence and speech-act classification are performed through the CNN based on the semantic information of the abstract word.

주제어

표/그림 (12)

표 표 1. 학습 및 테스트용 데이터 셋 – 입력값 Table 1. Dataset for training and test – Input attribute
표 표 2. 학습 및 테스트용 데이터 셋 - 출력값 Table 2. Dataset for training and test – Output attribute
표 표 3. 화행 클래스 Table 3. Speech-act class
그림 그림 2. 의도 분석 프로세스 Fig. 2. Intent analysis process
그림 그림 1. 의도 분석 모델 Fig. 1. Intent analysis model
표 표 4. 개념열 클래스 Table 4. Concept-sequence class
그림 그림 3. Word2vec (skip-gram) 모델 Fig. 3. Word2vec (skip-gram) model
표 표 5. 한글 형태소 품사-태그 표 (일부분) [12] Table 5. Korean morpheme part of speech-tag table (partial) [12]
표 표 6. Word2Vec 모델의 하이퍼 파라미터 Table 6. Hyper parameters of Word2Vec model
표 표 7. 합성곱 신경망 모델의 하이퍼 파라미터 Table 7. Hyper parameters of Convolutional Neural Network model
표 표 8. 파라미터 변화에 따른 제안 모델의 실험 결과 (화행 / 개념열) Table 8. Experiment result of proposed model according to parameter change (speech-act / concept-sequence)
표 표 9. 제안 방법과 타 모델들 간 성능 비교 Table 9. Performance comparison between proposed model and other models

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 생활화학제품이라는 특정 분야와 관련된질의에 대응하는 목적 지향 대화 시스템의 전체과정 중 사용자 질의 의도 파악 과정에 대하여 다룬다. 2장에서는 본연구와 관련된 선행 연구들에 대하여 논의한다.
[7]에서는 최대 엔트로피 모델(MEM : Maximum Entropy Model)을 이용하여 일정 관리 분야의 대화 데이터에 대한 화행과 개념열을 각각 동시에 분류하였다. 본 논문에서는 생활화학제품 분야와 관련된 문장 단위의 한국어 텍스트 데이터에 대한발화 임베딩, 임베딩을 거친 문장 벡터에 대한 합성곱 신경망(CNN : Convolution Neural Network)의 학습을 통하여 화행과 개념열을 각각 분류하는 의도 분석 방안을 제안한다.
사용자의 의도를 분야에 독립적이고 범용적인 화행과 분야에 종속적인 개념열로 정의하였다. 관련 선행 연구에서는 화행, 개념열과 같은 세부적 의도를 다루지 않은 연구, 문서에 대한 감정 이진분류를 수행한 연구,화행만을 고려한 연구, 타 기계학습 모델을 사용한 화행,개념열 분류 연구에 대하여 논의하였다.

제안 방법

또한 황재원 외(2008)^[9]는 감정자질을 이용하여 문장 또는 문서에 대한 감정 분류를 수행하는 연구이다. 지지벡터기계(SVM : Support Vector Machine)에 단어 벡터로 표현된 문서를 입력하여 긍정 또는 부정의 감정으로 이진분류 하였다.
[6]에서는 호텔 예약 분야의 말뭉치를 활용하여 품사 태그 정보, 품사 태그에 대한 Bigram 정보, 문맥정보에 대한 카이 제곱 통계량 분석을 수행하여 자질을 추출하였다. 추출된 자질을 이용하여 지지 벡터 기계를 학습하고, 학습된 지지 벡터 기계를 이용하여 입력 발화에 대한화행을 분류하였다. 그 결과 제안 시스템을 통하여 90%이상의 정확률을 얻는 성과를 보여주었다.
띄어쓰기 오류를 고려하여 입력 문장을 어절 단위로 쪼갠 뒤, 각 어절을 의미가 존재하는 동안 반복적으로 나누어 형태소를 얻는다. 이후 기분석사전을 이용한 인접 조건 검사를 통하여 각 형태소의 품사를 파악하고, 해당 품사는 표 5와 같은 한글 형태소 품사-태그 표를 이용하여 태그로 맵핑되며, 최종적으로 품사 태그가 각 형태소에 부착된다(그림 2의 W1~Wn)^[12].
이 정형화 결과(그림 2의 n ×k vector representation)를 입력값으로 활용하여 화행과 개념열 분류를 수행한다. 분류를 위하여 합성곱 신경망(ConvolutionNeural Network)을 구축한다. 본 연구의 실험을 위한 합성곱 신경망 구축 과정에서는 Google의 텐서플로우(Tensorflow)를 이용하였다.
본 연구의 실험을 위한 합성곱 신경망 구축 과정에서는 Google의 텐서플로우(Tensorflow)를 이용하였다. 입력 벡터에 대하여 크기가 각각 2, 3, 4(그림 2의 Filter size)인 3종류의 필터를 각각 128개씩 이용하여 크기 1의 간격(stride)으로 순회하는 방식의 합성곱 연산을 수행한다. 이를 통하여 필터 종류만큼의 자질열(feature map)이 생성된다.
이를 통하여 필터 종류만큼의 자질열(feature map)이 생성된다. overfitting 방지를 위하여 생성된 각 자질 열 요소 중 최댓값을 추출하는 최대 풀링 계층(Max-pooling layer)과 드롭아웃(Dropout) 계층을 사용하였고, 마지막으로 수식 1을 따르는 소프트맥스 계층(Softmaxlayer)을 통하여 각 클래스(화행의 경우 9개 클래스, 개념열의 경우 7개 클래스)들에 대한 정규분포 값을 얻는다. 최종적으로 모든 클래스 중 가장 큰 정규분포 값을 갖는 클래스를 선택하여 출력한다(그림 2의 Output).
제안 모델의 최적화를 위하여 주요 하이퍼 파라미터를 변경해가며 실험을 반복 수행하였다. 파라미터 변화에 따른 화행 및 개념열 분류 결과는 표 8과 같다.
제안 모델의 성능을 확인하기 위하여 동일 실험 데이터셋에 대한 제안 모델의 실험 결과와 타 모델(SVM : SupportVector Machine^[9], MEM : Maximum EntropyModel^[7])의 실험 결과를 비교하였다. SVM 모델의 경우 본연구와는 다르게 화행, 개념열의 세부 계층을 사용하지않고 긍정 또는 부정에 대한 이진분류를 수행하는 모델임을 고려하여, 이진분류를 수행하는 경우와 세부 계층을 사용한 경우 모두 실험하였다.
)의 실험 결과를 비교하였다. SVM 모델의 경우 본연구와는 다르게 화행, 개념열의 세부 계층을 사용하지않고 긍정 또는 부정에 대한 이진분류를 수행하는 모델임을 고려하여, 이진분류를 수행하는 경우와 세부 계층을 사용한 경우 모두 실험하였다. 표 9는 제안 모델과 타 모델간 비교 실험 결과를 나타내고 있다.
본 논문에서는 사용자의 의도를 예측하는 인공신경망 모델을 제안하였고 생활화학제품이라는 특정 분야에 제안 모델을 사용하였다. 사용자의 의도를 분야에 독립적이고 범용적인 화행과 분야에 종속적인 개념열로 정의하였다.
연구 수행을 위하여 1496개의 생활화학제품 분야의 질의문장 데이터를 활용하였으며, 입력 질의에 대한 형태소 분석과 품사 부착, 단어 임베딩 모델을 통한 질의 문장에 대한정형화, 합성곱 신경망을 사용한 화행 및 개념열 분류 실험을 수행하고 그 결과를 살펴보았다. 생활화학제품 분야와 관련된 사용자 질의 의도 분석 실험에서 제안된 모델은 타기계학습 모델에 비하여 재현율, 정밀도, F-1 점수가 높음을 확인할 수 있었다.
전처리 과정과 단어 임베딩 과정을 통하여 입력 문장을 벡터 형태로 정형화하였다.

대상 데이터

화행 및 개념열 분류를 위하여 생활화학제품의 제품명이나 함유물질명을 의미하는 단어가 포함된 질의 문장, 문장의 형태소 분석 결과 및 품사 태깅 결과, 각 문장에 해당되는 정답 레이블을 학습 및 테스트용 데이터로 사용하였다.본 논문에서 생활화학제품이란 “위해우려제품 지정 및 안전·표시기준, [시행 2018.
, 일부개정], 별표 1”[10]에 명시되어 있는 위해우려제품 23종을 의미한다. 전체 데이터 셋 1496개 인스턴스 중 1196개 인스턴스를 학습 데이터로 사용하고, 나머지300개 인스턴스를 테스트용 데이터로 사용하였다. 표 1은 전체 데이터 셋 중 질의 문장(sentence), 문장의 형태소 분석 결과 및 품사 태깅 결과(POS)를 표현한 것이며, 이 중질의 문장은 제안 모델의 입력값으로, 형태소 분석 결과와품사 태깅 결과는 제안 모델 내 단어 임베딩 모델의 입력값으로 사용된다.

데이터처리

제안 모델의 성능을 평가하기 위한 평가지표는 재현율(Recall), 정밀도(Precision), F1-점수(F1-measure)이다. 정밀도(Precision)는 제안된 모델이 도출한 클래스 Cp 중 실제클래스 Ca 의 비율로, 수식 2를 따른다.

이론/모형

본 논문에서 사용할 화행 클래스는 Dore(1975)^[11]의 화행분류 체계를 기반으로, 설명이나 판단을 요구하는 목적 지향 시스템의 특성을 고려하여 정의하였다. 개념열 클래스는 자체적으로 생활화학제품 분야에 종속적인 의도를 고려하여 정의하였다.
입력 문장(그림 2의 Input)을 단어 임베딩 모델에 입력하기 위하여 형태소 단위로 나누고 각 형태소에 품사 태그를 부착한다. 본 연구의 실험을 위한 전처리 과정에서는 Kkma형태소 분석기를 사용하였다. 띄어쓰기 오류를 고려하여 입력 문장을 어절 단위로 쪼갠 뒤, 각 어절을 의미가 존재하는 동안 반복적으로 나누어 형태소를 얻는다.
입력 문장에 대한 전처리과정을 통하여 얻은 형태소, 품사 태그를 화행 분류기, 개념열 분류기에 입력하기 위하여정형화한다. 본 연구의 실험을 위한 단어 임베딩 과정에서는 gensim 라이브러리의 Word2Vec 모델을 사용하였다. 해당 모델은 그림 3과 같이 각 형태소와 품사 태그를 one-hotencoding방식으로 입력받아 V차원 벡터로 표현된 중심 형태소 정보(그림 3의 \(x\))로부터 V차원 벡터로 표현된 인접형태소의 정보(그림 3의 \(y\)₁,\(y\)_2, …, \(y\)_c)를 예측하는 것을 목표로하여(skip-gram 방식) 가중치 행렬 W, W’를 갱신하는 방식으로 학습이 이루어진다.
분류를 위하여 합성곱 신경망(ConvolutionNeural Network)을 구축한다. 본 연구의 실험을 위한 합성곱 신경망 구축 과정에서는 Google의 텐서플로우(Tensorflow)를 이용하였다. 입력 벡터에 대하여 크기가 각각 2, 3, 4(그림 2의 Filter size)인 3종류의 필터를 각각 128개씩 이용하여 크기 1의 간격(stride)으로 순회하는 방식의 합성곱 연산을 수행한다.
입력된 질의 문장(Input)은 전처리 모델(PreprocessingModel)을 통하여 형태소 단위로 나눠지며 각 형태소마다품사 태그가 부착된다. 이후 형태소와 품사 태그는 임베딩 모델(Embedding Model)을 통하여 벡터 형태로 정형화되고, 정형화된 문장의 의미정보는 합성곱 신경망(Convolutional Neural Network) 기반 화행 분류기(SpeechactClassifier), 개념열 분류기(Concept-sequence Classifier)각각의 입력값으로 사용된다. 최종적으로 두 분류기를 통하여 화행과 개념열이 9개의 화행 클래스, 7개의 개념열 클래스 중 하나로 각각 분류된다(Output).

성능/효과

추출된 자질을 이용하여 지지 벡터 기계를 학습하고, 학습된 지지 벡터 기계를 이용하여 입력 발화에 대한화행을 분류하였다. 그 결과 제안 시스템을 통하여 90%이상의 정확률을 얻는 성과를 보여주었다.
파라미터 변화에 따른 제안 모델의 실험 결과를 나타내고 있는 표 8에 따르면, 모델의 성능에 가장 큰 영향을 미치는 정형화 과정(Word2Vec)의 파라미터는 window size 파라미터이다. 중심형태소로부터 양 옆의 인접형태소를 1개씩만 학습하는 경우(window size 3)보다 2개씩 학습하는경우(window size 5) 눈에 띄는 성능 차이를 보였으며, 값을 더 증가시키는 경우 미미하게 더 낮은 성능을 확인할수 있었다. 보다 넓은 범위의 인접형태소를 학습함으로써형태소의 위치 정보가 보다 풍부하게 고려될 수 있기 때문에 성능이 높아지는 것으로 보여 진다.
모델의 성능에 눈에 띄는 영향을 미치는 합성곱 연산(CNN)의 파라미터는 filter size 파라미터이다. 두 종류의필터(filter size 2, 3)를 사용하는 경우보다 3종류의 필터(filter size 2, 3, 4)를 사용하는 경우 더 좋은 성능을 확인할수 있었으며, 이보다 더 많은 종류의 필터를 사용하는 경우성능이 더 낮아짐을 확인할 수 있었다. 이는 다양한 필터를사용하게 되면 추상화 과정에서 더 많은 가중치가 사용되고 그 결과 더욱 정교한 분류가 수행되기 때문에 성능이높아지는 것으로 보여 진다.
제안 모델(proposed model)을 사용하여 화행과 개념열을분류하는 경우의 성능은 화행, 개념열 모두에서 SVM 모델과 MEM 모델을 사용하였을 때의 성능보다 높음을 확인할수 있었다. 이는 제안 모델이 SVM 모델, MEM 모델에 비하여 비선형 문제에 적합한 모델이기 때문인 것으로 보여진다.
SVM 모델은 세부 계층을 분류하는 경우(speech-act /concept-sequence)보다 그렇지 않은 경우(general intention)더 높은 성능을 확인할 수 있었다. 이는 SVM 모델이 이진분류와 같은 선형 문제를 수행하는 데 적합하기 때문인 것으로 보여 진다.
이는 SVM 모델이 이진분류와 같은 선형 문제를 수행하는 데 적합하기 때문인 것으로 보여 진다. SVM 모델이 9개의 화행 클래스, 7개의 개념열 클래스와 같이 세부 계층을 분류하는 경우 성능이 낮아지는 것을 확인할 수 있었다. 긍정 또는 부정에 대한 이진분류와 같은 선형 문제 수행 시 요구되는 모델의 복잡도보다 세부 계층을 분류하는 비선형 문제 수행 시 요구되는 모델의 복잡도가 높고, SVM 모델은 제안 모델에 비하여모델의 복잡도가 낮다.
SVM 모델이 9개의 화행 클래스, 7개의 개념열 클래스와 같이 세부 계층을 분류하는 경우 성능이 낮아지는 것을 확인할 수 있었다. 긍정 또는 부정에 대한 이진분류와 같은 선형 문제 수행 시 요구되는 모델의 복잡도보다 세부 계층을 분류하는 비선형 문제 수행 시 요구되는 모델의 복잡도가 높고, SVM 모델은 제안 모델에 비하여모델의 복잡도가 낮다. 따라서 제안 모델이 SVM 모델보다 화행 및 개념열 분류에 있어 더 높은 성능을 도출하는 것으로 보여진다.
긍정 또는 부정에 대한 이진분류와 같은 선형 문제 수행 시 요구되는 모델의 복잡도보다 세부 계층을 분류하는 비선형 문제 수행 시 요구되는 모델의 복잡도가 높고, SVM 모델은 제안 모델에 비하여모델의 복잡도가 낮다. 따라서 제안 모델이 SVM 모델보다 화행 및 개념열 분류에 있어 더 높은 성능을 도출하는 것으로 보여진다.
MEM 모델에 의한 세부 계층 분류의 경우 SVM 모델에 비하여 높은 성능을, 제안 모델에 비하여 낮은 성능을 보임을 확인할 수 있었다. 이진분류와 같은 선형 문제에 적합한로지스틱 회귀 분석 모델을 다중 클래스 분류와 같은 비선형 문제도 해결할 수 있도록 softmax 회귀 분석 모델을 결합하여 구축한 MEM 모델이 SVM 모델보다 다중 클래스분류에 적합하기 때문에 더 높은 성능을 도출하는 것으로보여 진다.
MEM 모델에 의한 세부 계층 분류의 경우 SVM 모델에 비하여 높은 성능을, 제안 모델에 비하여 낮은 성능을 보임을 확인할 수 있었다. 이진분류와 같은 선형 문제에 적합한로지스틱 회귀 분석 모델을 다중 클래스 분류와 같은 비선형 문제도 해결할 수 있도록 softmax 회귀 분석 모델을 결합하여 구축한 MEM 모델이 SVM 모델보다 다중 클래스분류에 적합하기 때문에 더 높은 성능을 도출하는 것으로보여 진다. 그러나 MEM 모델은 기존 로지스틱 회귀 분석모델에 softmax 회귀 분석 모델을 추가하는 방법으로 구축되었기 때문에, 이진분류와 같은 선형 문제에 적합한 기존로지스틱 회귀 분석 모델 자체의 특성은 변화가 없다.
그러나 MEM 모델은 기존 로지스틱 회귀 분석모델에 softmax 회귀 분석 모델을 추가하는 방법으로 구축되었기 때문에, 이진분류와 같은 선형 문제에 적합한 기존로지스틱 회귀 분석 모델 자체의 특성은 변화가 없다. 따라서 비선형 분류에 효율적인 제안 모델과 MEM 모델이 화행및 개념열 분류에 있어 성능 차이가 있는 것으로 보여진다.
연구 수행을 위하여 1496개의 생활화학제품 분야의 질의문장 데이터를 활용하였으며, 입력 질의에 대한 형태소 분석과 품사 부착, 단어 임베딩 모델을 통한 질의 문장에 대한정형화, 합성곱 신경망을 사용한 화행 및 개념열 분류 실험을 수행하고 그 결과를 살펴보았다. 생활화학제품 분야와 관련된 사용자 질의 의도 분석 실험에서 제안된 모델은 타기계학습 모델에 비하여 재현율, 정밀도, F-1 점수가 높음을 확인할 수 있었다. 더 많은 학습 데이터 셋을 확보하면 성능을 보다 높일 수 있을 것으로 예상된다.

후속연구

향후에는 사용자의 이전 발화를 고려한 의도 분류를 수행할 예정이다. 대화 시스템은 일반적으로 사용자와 시스템 간의 발화 교환이 여러 번 이루어지기 때문에, 이전 발화를 고려함으로써 화행 및 개념열의 예측이 더욱 정확해질것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	목적 지향 대화 시스템이란?	본 연구는 목적 지향 대화 시스템 내에서 단일 한국어 텍스트 형식의 질문으로부터 질의자의 의도를 파악하는 것을 목적으로 한다. 목적 지향 대화 시스템은 텍스트 또는 음성을 통한 사용자의 특수한 요구를 만족시켜주는 대화 시스템을 의미한다. 의도 분석 과정은 답변 생성에 앞서 사용자의 질의 의도를 파악하는 단계로, 목적 지향 대화 시스템 전체의 성능에 큰 영향을 준다.
	대화 시스템의 모듈 종류와 특징은??	대화 시스템은 일반적으로 자연어 이해 모듈, 대화 운영모듈, 자연어 생성 모듈로 나뉜다. 자연어 이해 모듈에서는질의의 의도를 파악하고, 대화 관리 모듈에서는 질의의 의도, 대화 맥락을 고려한 답변 선택이 이루어지며, 자연어생성 모듈에서는 이전 단계로부터 얻어진 정보들을 바탕으로 문장을 생성하는 과정이 수행된다[3][4].
	대화 시스템은 어떻게 분류되는가?	대화 시스템은 항공권/숙박 등의 예약, 특정 분야에 대한지식 요구, 상품 주문/취소/교환 등의 상담과 같은 특정한목적 달성이 요구되는 목적 지향 대화 시스템과, 표현을 가능한 한 인간답게 하여 사용자로 하여금 흥미를 느끼는 데에 목적을 둔 재미를 위한 대화 시스템으로 나뉜다. 최근들어, Google의 Google Assistant, Amazon의 Alexa, Apple의 Siri와 같이 두 대화 시스템을 결합하여 특정목적을 달성하며 자연스러운 대화도 수행 가능한 서비스가 제공되기시작하였다[1].

참고문헌 (13)

Kyung-soon Lee, Jin-xia Huang, Oh-woog Kwon, Young-kil Kim. "A Chatter Bot for a Task-Oriented Dialogue System," KIPS Transactions on Software and Data Engineering6, No.11, 499-506, 2017.
Oh-Woog Kwon, Teakgyu Hong, Jin-Xia Huang and Young-Kil Kim, "An Analysis for Dialogue Processing Technologies and Service Trends of Virtual Personal Assistants," Communications of the Korean Institute of Information Scientists and Engineers, Vol.35, No.8, pp.19-27, 2017.
Hyun-Jung Lee, Analysis and Prediction of Speakers' Intentions in a Dialogue-based NLIDB, PhD's Thesis of Sokang University, Seoul, South Korea, 2014.
Natural language processing technology for dialog system development, https://m.blog.naver.com/PostView.nhn?blogIdnaver_search&logNo221027662050&proxyRefererhttps%3A%2F%2Fwww.google.co.kr%2F (accessed Nov. 6, 2018).
N. Reithinger and E. Maier, "Utilizing Statistical Dialogue Act Processing in VERBMOBIL," Proceedings of the 33rd annual meeting on Association for Computational Linguistics, Cambridge, Massachusetts, pp.116-121, 1995
Jong Min En, Song Wook Lee, Jung Yun Seo, "An analysis of Speech Acts for Korean Using Support Vector Machines," The KIPS Transactions : Part B, Vol.12, No.3, pp.365-368, 2005
Lee, Hyunjung, Kim, Harksoo, Seo, Jungyun, "Domain action classification using a maximum entropy model in a schedule management domain," AI Communications, Vol.21, No.4, pp.221-229, 2008

상세보기
R. W. Smith and D. R. Hipp, Spoken Natural Language Dialog Systems: a Practical Approach, Oxford University Press Inc, Oxford, United Kingdom, 1995.
Hwang, Jaw-Won; Ko, Young-Joong, "A Korean Sentence and Document Sentiment Classification System Using Sentiment Features," Korean Institute of Information Scientists and Engineers, Vol.14, No.3, pp.336-340, 2008
National Law Information Center, http://www.law.go.kr/LSW/admRulLsInfoP.do?admRulSeq2100000110550#AJAX (accessed Nov. 6, 2018).
Dore, J, "Holophrases, speech acts and language universals," Journal of Child Language, Vol.2, No.1, pp.21-40, 1975.
KKMA morpheme analyzer, http://kkma.snu.ac.kr/ (accessed Nov. 6, 2018).
Y. Goldberg, O. Levy, "word2vec Explained:deriving Mikolov et al.'s negative-sampling word-embedding method", arXiv preprint arXiv: 1402.3722, 2014.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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