초록

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

본 논문의 목적은 기계 학습 방법을 이용하여 정보 추출 규칙의 패턴을 학습할 수 있는 인터페이스 에이전트의 개발에 있다. 인터페이스 에이전트는 사용자와 상호작용이 가능한 지능형 에이전트이다. 사용자는 인터페이스 에이전트와 상호작용을 하게 되며 에이전트는 이 상호 작용에서 사용자가 원하는 정보 추출 규칙을 학습하게 된다. 사용자는 웹 문서에서 원하는 정보의 위치를 지정하여 데이터를 인터페이스 에이전트에게 학습시킨다. 인터페이스 에이전트는 학습된 추출 규칙으로부터 사용자가 원하는 정보를 추출한다.

본 논문의 목적은 기계 학습 방법을 이용하여 정보 추출 규칙의 패턴을 학습할 수 있는 인터페이스 에이전트의 개발에 있다. 인터페이스 에이전트는 사용자와 상호작용이 가능한 지능형 에이전트이다. 사용자는 인터페이스 에이전트와 상호작용을 하게 되며 에이전트는 이 상호 작용에서 사용자가 원하는 정보 추출 규칙을 학습하게 된다. 사용자는 웹 문서에서 원하는 정보의 위치를 지정하여 데이터를 인터페이스 에이전트에게 학습시킨다. 인터페이스 에이전트는 학습된 추출 규칙으로부터 사용자가 원하는 정보를 추출한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 또한 사용자가 시스 템에게 원하는 정보를 표현하는 방법에도 많은 문제점이 존재한다. 본 논문에서눈 이러한 문제점을 해결하기 위하여 사용자와 상호작용이 가능한 인터페이스 에이전트를 이용하고자 한다. 인터페이스 에이전트는 문서에서 정보추출이 가눙한 상황이나 상태가 발생하면 사용자 대신 적절한 행동을 취하게 된다.
• 사용자 피드백을 이용하여 정확도가 높은 정보 추출 규칙을 생성해 내고자 한다. 이를 위해 인터폐이스 에이전트는 사용자가 인터페이스 에이전트를 훈련시키기 위해 사용한 문서와 유사한 페이지로부터 학습한 정보 추출 규칙을 사용하여 사용자에게 추출 결과를 제공한다.
• 준 구조화된 문서에서 정보 추출을 위한 규칙을 수동으로 생성한다는 것 온 어려운 일이다, XWRAP[3]시스템은 웹상의 정보 소스의 정보 추출 규칙을 반자동으로 생성하기 위해 사용자와 상호 작용하는 방안을 제시하고 있다. 이 연구의 목적은 변환하기 어려운 HTML문서를 프로그램 친화적인 XML 출력으로 변환하는 것이다. 여기서 웹 문서에서 의미 있는 부분을 인식하는 것이 어렵기 때문에 이 부분에 대해서 수동으로 입력을 받아서 처리하고 있다.
• 따라서 n과 me 사용자가 입력한 단어의 앞과 뒤에 나타나는 단어 중 선택된 단어의 수이디. 이렇게 결정된 n과 m 사이의 정보에서 특정 도메인이 아닌 일반적인 정보 추출 시스템에서 사용할 수 있는 속성을 추출 할 수 있는 정보에 대해 연구하였다,

가설 설정

• 훈련 예제로 변환은 그림 2와 같은 과정올 통하여 이루어잔다. 각 자리의 정보들을 훈련 애제의 속성으로 변환하는 과정은 그림 3과 같마, 그림 3에서 사용자가 추출하고자 하는 정보가 "모집 직종” 인 경우 사용자는 그림 3과 같이 인터페이스 에이전트를 이용하여 “컴퓨터 시스템 엔지니어” 부분올 선택했다고 가정하자. 준 구조화 및 구조화된 문서의 특성상 추출하고자 하는 값이 있으면 그 값을 기술해 주는 label이 존재한다.

제안 방법

• (1) 정확성(Precision): 인터패이스 에이전트가 추출한 정 보 외 정확성을 평가한다. 정확성은 査화한정소의수 X 100으로 계산한다.
• (2) 재현률(Recall): 인터페이스 에이전트가 추출한 정보가 얼마나 많은 정보를 추출할 수 있는지를 평가한다. 제 현률은 추출한 정보의 수 X 100 으로 계산한다.
• (3) 안정성을 갖춘 규칙 생성을 위한 예제 수: 정확성과 재현률의 임계값(thresh이d)을 만족시키기 위해 사용되는 예제 수를 바탕으로 보다 빠르고 안정화된 학습 방법 평가한다.
• 학습 데이터는 각 학회에서 제공하는 cal 1 for pajjer를 사용하였다. 사용자는 논문을 제출할 목적으로 뭽페이지를 열어 보았다는 가정하에 submission에 관한 정보를 추출하는 규칙을 생성하는 wrapper를 생성해 보았다. 특히 사용자는 논문 제출 시한과 양식을 알고자 할 것이다.
• 이렇게 만들어진 훈련 예제를 중심으로 식 1과 같은 엔트로피를 이용하여 학습에 용이한 분류자(classifier)를 추출하고 식 2와 같은 information gain 함수를 이용하여 최적화된 정보 추출 규칙을 만들어 내고자 한다.

대상 데이터

• 각 페이 지에서 고르게 하나 이상의 정보를 추출할 수 있었으나 주변에 나타나나는 정보의 순서와 어휘의 종류에 따라 정확성이 영향을 받는 것을 알 수 있었다. 테스트를 위해 사용한 웹페이지 수는 80개이며 재현률에 대하여 40~50M 정도의 정확도를 보여준다.

이론/모형

• 본 연구에서 사용하고자 하논 학습 알고리즘은 decision tree[12]이다. Decision tree률 사용하기 위해서는 먼저 사용자가 입력한 정보들을 훈련예제(training exam미e)로 변환해야 한다.
• WIEN[1, 2]은 인터넷상의 많은 정보들이 상관관계가 있는 데이터로 존재한다고 보고, wrapper 학습에 이러한 상관관계를 이용한다. 이 시스템은 wrapper의 귀납적 자동 생성 방법을 (induction)을 제시하였다. 이러한 시스템은 확장성이나 관리자의 노력을 많이 필요로 하지 않든 시스템이지만 정확성(precision)은 50% 내외이다.
• 준 구조화된 문서에서 정보를 추출하기 위해서는 정보 추출 규칙을 사용한다. 정보 추출 규칙은 생성 방식에 따라 다음과 같이 구분 되어 진다.

성능/효과

• 특히 사용자는 논문 제출 시한과 양식을 알고자 할 것이다. 각 페이 지에서 고르게 하나 이상의 정보를 추출할 수 있었으나 주변에 나타나나는 정보의 순서와 어휘의 종류에 따라 정확성이 영향을 받는 것을 알 수 있었다. 테스트를 위해 사용한 웹페이지 수는 80개이며 재현률에 대하여 40~50M 정도의 정확도를 보여준다.

후속연구

• 따라서 인터페이스에이전트에서 데이터를 블록 단위로 입력할 수 있도록 확장할 필요가 있다. 또 사용자가 선택한 부분과 선택한 부분의 앞과 뒤의 단어를 따로 나누어 분석 한다면 좀 더 정확한 결과를 얻을 수 있을 것으로 예상된다. 또 학습기에 사용되는 알고리즘도 변경할 필요가 있다.
• 향후 과제로 사용자가 알려주는 정보를 좀 더 세분화하여 레이블(Label)과 타입(typ於)을 사용할 필요가 있다. 대개의 경우 사용자는 하나의 단어보다 블럭 단위로 자산이 원하는 정보를 지정하기를 원할 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기