[논문]계층적 정보유형과 문맥정보를 사용한 항공여행대화시스템에서의 예약정보 추출

김세종; 나승훈; 이종혁

문제 정의

본 논문에서는 이러한 한계점을 감안하여 항공 여행 관련 대화에서 발생하는 예약정보들 중 경우 정보 특히 경유하는 시간 및 날짜에 대한 정보를 효과적으로 추출하는 방법에 대해서 다룬다. 2장에서는 대화형 에이전트와 관련된 다양한 연구 분야에 대해서 간단히 소개하고3장에서는 제안하고자 하는 방법을 기존의 일반적인 방법과 비교하여 설명한다.

가설 설정

예약정보들 중 출발 및 도착 정보는 다른 예약정보들보다 쉽게 추출될 수 있으므로 그림 2의 구조를 적용하기 위해 출발 및 도착 정보를 이미 추출했다는 가정하에 즉수행하였다. 즉 출발 시간 정보 도착시간정보 출발날짜 정보 도착 날짜 정보에 대하여 각각 '첫 번째 이동'정보와 '두 번째 이 동'정 보를 성 능평가를 수행 하였다.
표 1의 첫 번째와 두 번째 가정은 선행된 문장들의 정보를 예약정보들로 한정해 이미 추출한 예약정보들의 재사용 및 현재 문장의- 예약정보들과 기존의- 예약정보들 간의 상관관계를 보이기 위한 것이고 세 번째 가정은 시스템이 기본적으로 갖추어야 할 정보추출 능력을 마지막 가정은 대화의 일반적인 특성을 표현한 것이다. 표 2의 문맥 정보들은 이러한 가정을 바탕으로 각 정보들의 유형 및 내용들의 상관관계를 여러 가지 면으로 관련지어 작성한 것이다.

제안 방법

도착 날짜 정보는 1(날짜), 21(장소), 26(항공 기회 人 사번 정보에 큰 영향을 받았으며 출발날짜정보에서와 마찬가지로 위와 같은 최적의 문맥 정보만을 사용하여 성능평가를 수행하였다
즉 출발 시간 정보 도착시간정보 출발날짜 정보 도착 날짜 정보에 대하여 각각 '첫 번째 이동'정보와 '두 번째 이 동'정 보를 성 능평가를 수행 하였다. 각각의 성능평가 이후에는 출발정보와 도착정보를 실험데이터에 추가한 것과 추가하지 않은 것을 시간정보와 날짜 정보에 적용하여 출발정보와 도착 정보 유무에 대한 비교성능평가를 수행하였다 이는 정보 유형의 계층화가 어떠한 효과를 발휘하는지 판단할 수 있는 자료가 될 것이다.
출발날짜 정보에서는 첫 번째 이동 출발날짜의 개수가 상대적으로 너무 많아 정확도가 가장 높은 반면에 두 번째 이동 출발날짜의 F-Measure 결과가 가장 낮았다 의출발날짜 정보는 표 2의 문맥 정보들 중 1(날짜), 3(날짜), 4(날짜), 10(날짜), 22(장소), 31(항공기번호)번 정보에 큰 영향을 받았으며 실제 평가를 수행할 때도 위의 정보만을 가지고 평가하였다

대상 데이터

도착 시간 정보는 1(시간), 21(장소), 22(장소), 29(항공기회사)번 정보에 큰 영향을 받았으며 실제 평가를 수행할 때도 위의 4가지 정보만을 가지고 평가하였다
본 논문에서는 실제 사용자와 항공예약전문가 간의 대화 내용을 기록한 SRI ATIS Collection을 정제한 코퍼스를 사용한다. 이 코퍼스는 총 66개의 장면(scene)으로 구성되어 있으며 이들 중 경유 정보가 포함된 장면만을 선택하여 실험데이터로 사용하였다 선택된 실험데이터는 총 25개의 장면으로 이루어져 있었으나 이를 정제하는 과정에서 40개의 장면으로 재분할하였다 실험데이터의 세부 정보는 표 3과 같다.
사용한다. 이 코퍼스는 총 66개의 장면(scene)으로 구성되어 있으며 이들 중 경유 정보가 포함된 장면만을 선택하여 실험데이터로 사용하였다 선택된 실험데이터는 총 25개의 장면으로 이루어져 있었으나 이를 정제하는 과정에서 40개의 장면으로 재분할하였다 실험데이터의 세부 정보는 표 3과 같다.

데이터처리

있어서 유용하게 활용될 수 있다. 앞에서 선언한 모든 문맥정보들의 哉-1, 0, 1)을 SVM의 벡터공간에 표시하고 최적의 분류 경계를 찾아 이에 대한 성능을 평가하였고 모든 문맥 정보들을 사용했을 때의 평가 결과와 자질 선택 기법을 통해 선택된 문맥정보들만을 가지고 분류한 평가결과를 비교하여 좋은 성능을 보인 방법을 성능평가의 척도로 사용하였다

이론/모형

각각의 성능평가 이후에는 출발정보와 도착정보를 실험데이터에 추가한 것과 추가하지 않은 것을 시간정보와 날짜 정보에 적용하여 출발정보와 도착 정보 유무에 대한 비교성능평가를 수행하였다 이는 정보 유형의 계층화가 어떠한 효과를 발휘하는지 판단할 수 있는 자료가 될 것이다. 또한 실험데이터들의 샘플 수가 비교적 적은 편이므로 학습데이터와 평가데이터를 고정적으로 분리하지 않고 총 실험데이터의 10%를 평가데이터로 하고 남은 90%를 학습데이터로 하여 성능평가를 수행한 후 같은 방식 으로 평가데이터 와 학습데이터를 순차적 으로 갱신하여 전체 성능평가를 수행하는 10-fold cross validation 방법을 사용하였다

성능/효과

각각의 날짜 정보는 앞서 수행한 시간 정보의 결과와 마찬가지로 각각의 날짜 정보에 최적화된 문맥정보를 사용함으로써 최적의 성능을 보일 수 있었으며 이때 사용된 문맥 정보들은 구분하고자 하는 예약정보의 유형 이외의 정보들을 포함하고 있음을 알 수 있었다
또한 구분하고자 하는 예약정보의1차 정보와 동일한 유형의 정보만을 가지고 이를 구분한다는 것은 한계가 있으며 다른 유형의 예약정보도 함께 고려해야 해당 예약정보에 대한 정보추출성능을 향상시킬 수 있음을 알 수 있었다.
시간 정보는 출발 도착 정보를 문맥 정보로 사용했을 경우명 확한 성능향상을 보였으며 출발 도착 정보 미사용 시 에 는 1(시간), 7(시간), 9(시간), 21(장소), 22(장소), 25(항공기회사), 31(항공기 번호)번 정보에 큰 영향을 받은 반면, 출발도착정보 사용 시에는 1(시간), 21(장소), 22(장소), 23(장소), 29(항공기회사), 31(항공기번호)번 정보에 큰 영향을 받았다
즉 각각의 시간 정보를 구분하기 위한 문맥정보의 사용은 서로 중복되는 항목도 있었으나 각기 다른 문맥 정보를 추가로 사용함으로써 최적의 성능을 보임을 알 수 있었다. 또한 구분하고자 하는 예약정보의1차 정보와 동일한 유형의 정보만을 가지고 이를 구분한다는 것은 한계가 있으며 다른 유형의 예약정보도 함께 고려해야 해당 예약정보에 대한 정보추출성능을 향상시킬 수 있음을 알 수 있었다.
특히 출발 시간 정보에서는 첫 번째 이동 출발시간 개수가 다른 출발 시간 개수에 비해 상대적으로 많아 정확도가 가장 높았다. 출발 시간 정보는 표 2의 문맥정보들 중 자질 선택 기법을 통해서 선택된 3(시간), 4(시간), 21 (장소), 25(항공기회사), 31(항공기 번호)번 정보에 큰 영향을 받았다

후속연구

즉 출발 시간 정보 도착시간정보 출발날짜 정보 도착 날짜 정보에 대하여 각각 '첫 번째 이동'정보와 '두 번째 이 동'정 보를 성 능평가를 수행 하였다. 각각의 성능평가 이후에는 출발정보와 도착정보를 실험데이터에 추가한 것과 추가하지 않은 것을 시간정보와 날짜 정보에 적용하여 출발정보와 도착 정보 유무에 대한 비교성능평가를 수행하였다 이는 정보 유형의 계층화가 어떠한 효과를 발휘하는지 판단할 수 있는 자료가 될 것이다. 또한 실험데이터들의 샘플 수가 비교적 적은 편이므로 학습데이터와 평가데이터를 고정적으로 분리하지 않고 총 실험데이터의 10%를 평가데이터로 하고 남은 90%를 학습데이터로 하여 성능평가를 수행한 후 같은 방식 으로 평가데이터 와 학습데이터를 순차적 으로 갱신하여 전체 성능평가를 수행하는 10-fold cross validation 방법을 사용하였다
하지만 한정된 자원으로 인한 대용량 말뭉치에서의 성능평가를 수행하지 못해_제시한 방법론에_ 대한 보편적인 효용성을 보일 수 없었다 향후에 대용량 대화 말뭉치를 사용하여 현재의 방법론의 유용성 및 개선점 또는 새로운 방법론에 대한 연구가 필요하며 한국어 적용 및 특정 언어에 특화된 유용한 방법론에 대한 연구가 요구된다. 기존의 개체명 인식 방법론을 대화에서의 정보추출, 즉 이미 정의된 정보 슬롯을 채우기 위한 방법으로 대화 시스템에 적용하는 연구가 함께 병행되어야 할 것이며 기존의 패턴 매칭 등의 기본적인 방법도 다양한 방향으로 연구 및 모색되어야 할 것이다
사용자와 에이전트 간의 대화 유형이 다양해짐에 따라 이러한 문맥정보들은 예약정보들을 추출 및 구분하는데 있어서 유용하게 사용될 것이며 전체 문장들을 인식할 필요 없이 필요한 부분만을 인식하는 음성인식 분야에서 에러 검사용으로 활용될 수 있을 것이다
실험은 표 2에서 정의한 내용을 실험데이터에 적용하여 문맥정보들을 추출하고 이를 데이터화하여 일반적인 통계적 학습방법의 단점을 보완한 구조적 위험성 최소화(SRM, Structural Risk Minimize)를 통해 오류를 최소화하는 SVM(Support Vector Machine)기반의 성능평가를 수행하였다 특히 SVMe 입력 자질이 많은 경우에도 안정적인 성능을 보이므로 다양한 문맥정보를 고려하는데 있어서 유용하게 활용될 수 있다. 앞에서 선언한 모든 문맥정보들의 哉-1, 0, 1)을 SVM의 벡터공간에 표시하고 최적의 분류 경계를 찾아 이에 대한 성능을 평가하였고 모든 문맥 정보들을 사용했을 때의 평가 결과와 자질 선택 기법을 통해 선택된 문맥정보들만을 가지고 분류한 평가결과를 비교하여 좋은 성능을 보인 방법을 성능평가의 척도로 사용하였다
하지만 한정된 자원으로 인한 대용량 말뭉치에서의 성능평가를 수행하지 못해_제시한 방법론에_ 대한 보편적인 효용성을 보일 수 없었다 향후에 대용량 대화 말뭉치를 사용하여 현재의 방법론의 유용성 및 개선점 또는 새로운 방법론에 대한 연구가 필요하며 한국어 적용 및 특정 언어에 특화된 유용한 방법론에 대한 연구가 요구된다. 기존의 개체명 인식 방법론을 대화에서의 정보추출, 즉 이미 정의된 정보 슬롯을 채우기 위한 방법으로 대화 시스템에 적용하는 연구가 함께 병행되어야 할 것이며 기존의 패턴 매칭 등의 기본적인 방법도 다양한 방향으로 연구 및 모색되어야 할 것이다

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

계층적 정보유형과 문맥정보를 사용한 항공여행대화시스템에서의 예약정보 추출
Information Extraction for Air Travel Dialogue System Using Hierarchical Information Types and Contextual Features 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

계층적 정보유형과 문맥정보를 사용한 항공여행대화시스템에서의 예약정보 추출 Information Extraction for Air Travel Dialogue System Using Hierarchical Information Types and Contextual Features 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

계층적 정보유형과 문맥정보를 사용한 항공여행대화시스템에서의 예약정보 추출
Information Extraction for Air Travel Dialogue System Using Hierarchical Information Types and Contextual Features 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper