초록

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

문서요약이란 문서의 기본적인 내용을 유지하면서 문서의 복잡도를 줄이는 작업이다. 인터넷과 같은 정보기술의 발달로 정보의 양이 급증함에 따라, 정보 과적재(information over load) 문제의 해결을 위해 자동 문서요약시스템의 필요성이 대두되었다. 본 논문에서는 의사 적합성 피드백(pseudo relevance feedback)에 의한 질의확장(query expansion) 기법을 적용한 자동 문서요약 모델을 제안한다. 제안하는 모델의 특징은 질의를 분해함으로써, 적합성 피드백 과정에서 질의가 편향(bias)되어 요약이 잘못되는 문제를 방지할 수 있다는 것이다. 신문기사를 대상으로 평가한 결과 제안한 모델이 질의확장을 적용하지 않은 방법이나 하나의 질의만을 유지하는 일반적인 적합성 피드백 모델보다 더 좋은 성능을 보였다.

문서요약이란 문서의 기본적인 내용을 유지하면서 문서의 복잡도를 줄이는 작업이다. 인터넷과 같은 정보기술의 발달로 정보의 양이 급증함에 따라, 정보 과적재(information over load) 문제의 해결을 위해 자동 문서요약시스템의 필요성이 대두되었다. 본 논문에서는 의사 적합성 피드백(pseudo relevance feedback)에 의한 질의확장(query expansion) 기법을 적용한 자동 문서요약 모델을 제안한다. 제안하는 모델의 특징은 질의를 분해함으로써, 적합성 피드백 과정에서 질의가 편향(bias)되어 요약이 잘못되는 문제를 방지할 수 있다는 것이다. 신문기사를 대상으로 평가한 결과 제안한 모델이 질의확장을 적용하지 않은 방법이나 하나의 질의만을 유지하는 일반적인 적합성 피드백 모델보다 더 좋은 성능을 보였다.

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

• 본 논문에서 는 정보검색 분야에서 사용되는 질 의확장 기법을 이용한 문서요약 모델을 제안하였다. 초기질의는 문서의 제목으로 시작하고, 질의확장 과정에서 질의를 분해하여 잘못 편향되지 않도록 한다.
• 본 논문은 문서의 제목을 초기질의로 사용하여 의사 적 합성 피드백을 통해 질의를 확장해 가면서 포괄적 요약 을 생성하는 시스템을 제안한다.
• 본 논문은 정보검색 분야에서 사용되는 의사 적합성 피 드백 (pseudo relevance feedback) 에 기반한 질의확장 (query expansion) 기법을 문서요약에 적용하는 기법을 제안한다. 제안하는 문서요약 모델은 포괄적 요약과 사용자 주도 요약에 모두 사용될 수 있으며, 문장추출을 통한 지시적 요약문을 제시한다.

제안 방법

• 본 논문에서는 의사 적합성 피드백을 통한 질의확장 기법을 문서요약에 적용한다. 제안하는 모델의 구성도는 口 림 1]과 같다.
• 서 먼저 나오는 문장을 선호한다. 선택된 冷개의 문장을 모두 초기질의 하나를 확장하는데 사용하지 않고, 々개의 문장을 각각 개별적으로 초기질의의 확장에 이용하여 为개의 질의를 생성한다. 각 龙개의 질의에 대해 문서의 문장들과 유사도를 계산하여 为개의 적합 문장 집합을 생성한다.
• 이 경우 상위 为개의 적합 문장을 한꺼번에 질의확장에 적용하면 너무 포괄적인 질의로 확장이 되어 불필요한 노이즈 문장이 요약문에 포함될 수 있다. 이 문제를 해결하기 위해 k 개의 문장을 초기질의의 확장에 각각 사용하여 为개의 확장된 질의를 생성한다. 이렇게 질의를 분해하여 노이 즈 문장에 대해 좀더 배타적인 질의를 생성할 수 있다.
• 각 龙개의 질의에 대해 문서의 문장들과 유사도를 계산하여 为개의 적합 문장 집합을 생성한다. 이 집합들에 출현하는 문장을 빈도순으로 정 렬하여 고빈도 문장을 요약문으로 제시한다. 출현 빈도 가 같을 경우 문서내에서 먼저 나오는 문장을 선호한다.
• 실험 결과, 제안하는 방법으로 요약을 생성하는 경우가 질의확장을 이용하 지 않는 경우나 질의를 분해하지 않고 일반적인 적합성 피드백을 적용하는 방법 보다 더 좋은 성능을 보였다. 제안하는 모델은 포괄 요약뿐만 아니라 사용자 주도 요 약에도 적용할 수 있는 모델이다. 사용자가 입력한 질의 를 초기질의로 시작하여 질의확장 과정을 거치면 사용자 주도 요약을 생성할 수 있다.
• 본 논문은 정보검색 분야에서 사용되는 의사 적합성 피 드백 (pseudo relevance feedback) 에 기반한 질의확장 (query expansion) 기법을 문서요약에 적용하는 기법을 제안한다. 제안하는 문서요약 모델은 포괄적 요약과 사용자 주도 요약에 모두 사용될 수 있으며, 문장추출을 통한 지시적 요약문을 제시한다.
• 제안하는 모델의 구성도는 口 림 1]과 같다. 제안하는 시스템이 기존의 질의확장 기법을 적용한 방법들과 다른 점은 적합 문장을 이용하여 조기질의를 확장할 때 적합 문장 전부를 초기질의에 한꺼번에 적용하지 않고 적합 문장 각각을 개별적으로 질의확장을 적용하여 직합 문장 개수만큼의 질의로 분해 짠다는 것이다.

대상 데이터

• 실험에 사용된 데이터는 KORDIC에서 소프트과학 프로 젝트의 일환으로 수집 한 신문기 사 문서집 합 중 486개의 문서를 사용하였다[1丄 이 문서 집합은 각 문서마다 10%

이론/모형

• 성능 평가의 척도로는 정확률과 재현율을 사용하였다. 정 화류 = ■모델이- 제스〕한 올바른—요약문 개수

성능/효과

• [그림 2]는 선형 보간법을 이용한 11-포인트 정확률-재 현율 곡선이다. 기존의 검색시스템에서 주로 사용하는 방법인 문서의 앞부분을 요약으로 제시하그 방범 (position) 은 성능이 가장 낮았고, 제안하는 시스템 (t it le+2best_prf) 의 성능이 가장 높았다. 이때 사용된 파라미 터 값은 糸二2이다.
• 초기질의는 문서의 제목으로 시작하고, 질의확장 과정에서 질의를 분해하여 잘못 편향되지 않도록 한다. 실험 결과, 제안하는 방법으로 요약을 생성하는 경우가 질의확장을 이용하 지 않는 경우나 질의를 분해하지 않고 일반적인 적합성 피드백을 적용하는 방법 보다 더 좋은 성능을 보였다. 제안하는 모델은 포괄 요약뿐만 아니라 사용자 주도 요 약에도 적용할 수 있는 모델이다.
• 이 문제는 의사 즈1 합성 피드백을 적용하는데 있어서 잘못 편향되었기 때문에 발생한다. 제안하는 모델에서는 질의를 분해하여 이 문제를 완화시킬 수 있었다.
• 이렇게 질의를 분해하여 노이 즈 문장에 대해 좀더 배타적인 질의를 생성할 수 있다. 제안하는 모델은 초기질의를 为개의 질의로 분해함으로 써, 질의확장 과정에서 질의가 편향(bias)되어 요약이 잘 못 생성되는 문제를 완화시킬 수 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기