[논문]U-WIN을 이용한 의미 유사도 측정과 활용

임지희; 배영준; 최호섭; 옥철영

U-WIN을 이용한 의미 유사도 측정과 활용
A Measure of Semantic Similarity and its Application in User-Word Intelligent Network 원문보기

임지희 (울산대학교 컴퓨터정보통신공학과) , 배영준 (울산대학교 컴퓨터정보통신공학과) , 최호섭 (한국과학기술정보연구원 정보기술개발단 정보시스템개발팀) , 옥철영 (울산대학교 컴퓨터정보통신공학과)

개념 간의 유사도 측정 방법은 의미망에서의 두 개념의 최단 경로의 수 노드의 깊이 관계의 종류 등의 정보를 이용하는 링크(Link) 기반 방법, 대용량의 말뭉치에서의 개념의 발생빈도를 확률로 계산한 정보량(Information Content) 기반 방법, 관련 단어들의 공기정보를 활용한 의미(Gloss) 기반 방법이 있으며, 이미 국외에서는 WordNet과 같은 의미적 언어자원을 활용하여 많은 연구가 진행되고 있다. 그러나 국내에서는 아직 한국어 의미망을 바탕으로 한 개념간의 유사성 측정 방법이나 이를 활용하는 방법에 대한 연구가 미흡하다. 본 논문에서는 이를 바탕으로 링크 타입 노드의 깊이 최단경로 정보량 등의 요소를 이용한 의미 유사도 측정방법을 제안하고 이를 활용하여 명사-용언간의 연계 정보를 확보함으로써, 효율적으로 명사-용언간의 네트워크를 구축하도록 한다.

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

문제 정의

기존의 개념 간 유사도 측정 방법에 대해 살펴보고, 본 논문에서 제안한 유사도 측정 방법을 소개한다.
본 논문에서는 기존의 두 가지 측정방법을 결합하여 새로운 의미 유사도 측정 방법을 제안한다. 앞서 살펴보았듯이, 계층구조의 깊이.

제안 방법

정보량 등의 요소가 개념간 유사도를 측정하는데 적절한 요소로 판단이 되므로, 본 논문에서는 이러한 요소를 결합한 식(7) 을 제안하였다. 개념 정보량은 의미 태깅된 사전 뜻풀이, 용례에서 추출한 동형이의어 단어 빈도를 다의어에 그대로 할당하여 측정하였다. 이것은 의미망 계층구조에 대한 의존성을 줄이기 위해 정보량을 사용하였으며, 개념 발생 빈도가 아닌 단어 발생 빈도로 인한 오류 가능성은 발생 빈도를 의미 태깅된 말뭉치에서 측정함을써 해결하도록 하였다.
분류한다. 그러나 개념 간의 유사도는 이러한 요소들을 모두 고려해야 하므로, 본 논문에서는 기존의 유사도 측정 방법들을 알아보고 2), 이를 바탕으로 링크 타입 . 노드의 깊이 .
정보량 등의 요소를 이용한 의미유사도 측정방법을 제안한다. 그리고 제안한 방법을 활용하여 명사-용언 간의 연계 정보를 확보함으로써, 효율적으로 명사-용언 간의 네트워크를 구축하도록 한다.
본 논문에서는 기존의 의미 유사도 측정방법을 바탕으로 U-WIN 및 정보량을 활용한 새로운 의미 유사성 측정 방법을 제안하고, 이것을 명사-용언 네트워크 구축을 위해 명사-용언의 연계성을 확보하는데 활용하였다. 제안한 의미 유사도 측정 방법은 링크 기반 방법과 정보량 기반 방법의 단점을 보완하였으며, 한국어 의미망을 활용한 개념적인 클러스터링을 가능하게 하였다.
[그림 3]은 명사-용언 네트워크 구축을 위한 연계 정보를 추출하는 간략한 과정이다. 우선 주격조사, 목적격 조사를 대상으로 말뭉치상에서 명사-용언의 패턴 정보를 추출한 다음, 명사-용언 패턴(빈도 포함) • 의미망 • 정보 량을 이용하여, 본 논문에서 제안한 유사도 측정기법을 통해 용언의 공기 명사들을 클러스터링한다. 이때, 명사용언을 연결하는 조사의 종류(주격/목적격)를 구분한다.
개념 정보량은 의미 태깅된 사전 뜻풀이, 용례에서 추출한 동형이의어 단어 빈도를 다의어에 그대로 할당하여 측정하였다. 이것은 의미망 계층구조에 대한 의존성을 줄이기 위해 정보량을 사용하였으며, 개념 발생 빈도가 아닌 단어 발생 빈도로 인한 오류 가능성은 발생 빈도를 의미 태깅된 말뭉치에서 측정함을써 해결하도록 하였다.
최단경로정보.정보량 등의 요소가 개념간 유사도를 측정하는데 적절한 요소로 판단이 되므로, 본 논문에서는 이러한 요소를 결합한 식(7) 을 제안하였다. 개념 정보량은 의미 태깅된 사전 뜻풀이, 용례에서 추출한 동형이의어 단어 빈도를 다의어에 그대로 할당하여 측정하였다.
최단 경로. 정보량 등의 요소를 이용한 의미유사도 측정방법을 제안한다. 그리고 제안한 방법을 활용하여 명사-용언 간의 연계 정보를 확보함으로써, 효율적으로 명사-용언 간의 네트워크를 구축하도록 한다.

이론/모형

정보량(Information Content)은 대용량 말뭉치 내 개념의 발생 빈도를 기반으로 MLE(Maximum Likelihood Estimate)방법으로 얻는다. 많은 정보량이 할당된 개념은 특정 주제에 매우 세부적인 개념이고, 적은 정보량이 할당된 개념은 더 일반적인 개념으로 판단할 수 있다.

성능/효과

U-WIN의 개념 노드는 다의어 수준으로 구축되어 있으므로, 명사 '꽃, 야채, 수목, 화초, 몸'은 다의어 수준의 총 34개 의미로 세분화한 다음, 의미 유사도를 측정하여 식물의 하위 개념으로 연결됨을 알 수 있다.
제안한 의미 유사도 측정 방법은 링크 기반 방법과 정보량 기반 방법의 단점을 보완하였으며, 한국어 의미망을 활용한 개념적인 클러스터링을 가능하게 하였다.

후속연구

정보 검색.클러스터링 등의 다양한 분야에서 의미적인 요소를 추가하는 방법으로 활용 가능할 것이다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

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].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

U-WIN을 이용한 의미 유사도 측정과 활용
A Measure of Semantic Similarity and its Application in User-Word Intelligent Network 원문보기

초록
AI-Helper