초록

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

한국어는 형태론적 변형 현상이 자주 일어나게 되어 최종적으로 음성인식의 성능에 졸지 않은 영향을 끼친다. 본 논문에서는 연속음성 인식의 성능 개선을 위해 형태론적 변형을 처리하는 방법을 제시하고 짧은 형태소를 결합하여 의사형태소를 추출하고자 한다. 이 방법은 음성인식의 성능 개선을 위하여 품사세트와 사전을 다시 정의하고 텍스트 정규화를 수행한다. 그리고 불규칙 용언 처리의 규칙을 작성하고 나머지 형태론적 변형현상은 에러 패턴을 분석하여 빈출 어휘 중심 및 다단계로 규칙 처리하였다. 마지막으로, 단음절 형태소들을 결합함으로써 최종적으로 원하는 의사형태소를 구할 수 있었다. 제안된 시스템은 오 인식률이 높은 단음절 형태소들을 결합하여 성능 향상이 기대됨은 물론, 형태론적 변형현상에서는. 9~10%의 높은 성능 향상을 가져올 수 있었다.

한국어는 형태론적 변형 현상이 자주 일어나게 되어 최종적으로 음성인식의 성능에 졸지 않은 영향을 끼친다. 본 논문에서는 연속음성 인식의 성능 개선을 위해 형태론적 변형을 처리하는 방법을 제시하고 짧은 형태소를 결합하여 의사형태소를 추출하고자 한다. 이 방법은 음성인식의 성능 개선을 위하여 품사세트와 사전을 다시 정의하고 텍스트 정규화를 수행한다. 그리고 불규칙 용언 처리의 규칙을 작성하고 나머지 형태론적 변형현상은 에러 패턴을 분석하여 빈출 어휘 중심 및 다단계로 규칙 처리하였다. 마지막으로, 단음절 형태소들을 결합함으로써 최종적으로 원하는 의사형태소를 구할 수 있었다. 제안된 시스템은 오 인식률이 높은 단음절 형태소들을 결합하여 성능 향상이 기대됨은 물론, 형태론적 변형현상에서는. 9~10%의 높은 성능 향상을 가져올 수 있었다.

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

• 하지만 이是 해결하기 위해 준말의 어휘와 태그餐 사전에 수록 하는 기준올 정하기가 어렵다. 그래서 본 논문은 대표 형태소만올 사전에 수록하고 변형 규칙에 의하여 처리할 것인지養 곃정한다. 변형 규칙 또한, 예외적인 모든 변형 현상을 고려할 수 없으므로 에러패턴 중 코퍼스에서 빈 추 어휘 중심으로 규칙화 하였다.
• 본 논문은 [2][3)에서 제안한 의사형태소 사용을 채택 하고 빈출 어휘 중심으로 다단계 형태론적 변형한다. 그리고 단음절을 줄여 오 인식률을 줄이고자 한다. 1장의 서론에 이어, 2장에서는 한국어의 형태론적 변형을 소개 하고, 3장에서는 의사형태소 추출기를 논하며, 4장에서 실험 및 고찰, 5장에서는 결론을 기술한다.
• 본 논문에서는 한국어 연속음성 인식을 위한 형태론적 변형을 食과적으로 처리하는 방법에 대해 소개하였다. 21리고 형태소출 결합함으로써 오 인식률이 높은 단 음 절을 줄임으로써 음성 인식 시 좋은 성능을 기대할 수 있다.

제안 방법

• 또한, 형태론적 변형처리에 관한 어절 단위로 실험평가 가蓦 수행하였다. 형태론적 변형처리룔 하지 않은 시스템과 단순한 쿨규칙 용언 활용과 규칙만믈 고려한 시스템 그리고, 이 논문에서 주장하는 에러 패턴을 분석한 후, 빈출 어휘 중심으로 형태론적 변형의 다단계 적용한 결과는 아래 [그림 2]와 같다.
• 그래서 본 논문은 대표 형태소만올 사전에 수록하고 변형 규칙에 의하여 처리할 것인지養 곃정한다. 변형 규칙 또한, 예외적인 모든 변형 현상을 고려할 수 없으므로 에러패턴 중 코퍼스에서 빈 추 어휘 중심으로 규칙화 하였다. 대표적인 변형규칙은 다욤 [표 3]과 같이 정의 된다.
• 본 논문은 [2][3)에서 제안한 의사형태소 사용을 채택 하고 빈출 어휘 중심으로 다단계 형태론적 변형한다. 그리고 단음절을 줄여 오 인식률을 줄이고자 한다.
• 이에 따라 본 연구는 한국어 문법에 나타난 모든 呈규칙 용언 활용에 관한 규칙을 정의하였고 그 외의 모든 형태 폰적 변형 규칙을 빈출 어휘 우선 순으로 작성하였다.

대상 데이터

• 인식 실험에 사용된 음성 코퍼스는 방송뉴스로AM 아나운서와 리포터 등이 발음한 문서로, OOVtOut of Vocab니a「y)를 포함하고 있다. 인식 대상의 문장 개수는 대략 15, 0C心문장이고, 한 문장 당 평균 8〜9어절로 구성되어 있다. 이 중, 형태론적 변형이 일어난 어절은 총 어 절 중 8%로 한 문장 당 한 번은 형태론적 변형이 일어 난다고 말 할 수 있다.
• 인식 실험에 사용된 음성 코퍼스는 방송뉴스로AM 아나운서와 리포터 등이 발음한 문서로, OOVtOut of Vocab니a「y)를 포함하고 있다. 인식 대상의 문장 개수는 대략 15, 0C心문장이고, 한 문장 당 평균 8〜9어절로 구성되어 있다.

이론/모형

• 이 논문에서는 [2]의 논문에서 정의한 규칙 기반 방법으로 하고 단 음절만 우선하는 제약 규칙을 적용한다. 이는 결합 형태소를 길이가 길어질수록 에러율은 줄어들지만, 학습 및 탐색 시 혼잡도를 증가시키는 원인이 되기 때문이다.

성능/효과

• 본 논문에서 일어난 실패는 대부분이 00V로 인한 형태소 분석 실패로 인한 오류였다. 예를 들연, '나말라에'라 는 장소명의 입력이 들어 왔을 때 '나+아+말+라+에'로 잘못 분석되어 음운 변이가 일어나 버리는 경우를 들 수 있다.

후속연구

• 향후 연구로는 동계적 척도률 이용한 형태소 결합을 통해 규칙 기반 방법을 보완하는 연구가 있다. 또한, 음성 인식 시 언어 모델에서 문법적 정보를 이용한 품사 단위의 트라이그램 등을 적용하여 후보 노드를 탈락시켜 학습이나 탐색의 비용을 줄일 수 있는 언어모델을 연구해 볼 계획이다.
• 21리고 형태소출 결합함으로써 오 인식률이 높은 단 음 절을 줄임으로써 음성 인식 시 좋은 성능을 기대할 수 있다. 향후 연구로는 동계적 척도률 이용한 형태소 결합을 통해 규칙 기반 방법을 보완하는 연구가 있다. 또한, 음성 인식 시 언어 모델에서 문법적 정보를 이용한 품사 단위의 트라이그램 등을 적용하여 후보 노드를 탈락시켜 학습이나 탐색의 비용을 줄일 수 있는 언어모델을 연구해 볼 계획이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기