선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 기존의 직접방식, 피봇방식, 혼합방식의 문제점을 해결하기 위한 방법으로 새로운 혼합방식을 이용한 음차 표기 방법을 제안한다. 본 논문의 기법은 기존의 방식과 다음과 같은 차이점이 있다.
- 따라서 발음 생성의 결과는 각 자소와 각 자소에 대옹되는 음소의 열로서 표현된다. 본 논문에서는 발음 생성의 결과를 GP로 표현한다. E를 영어단어, F를 E의 발음이라고 정의하 면, E와 P를 E=ehe2, …, 跖와 P=PW2, …p로 정의할 수 있다.
- 본 논문에서는 자소 및 음소정보를 이용한 영-한 음차표기 모델을 제안하였다. 본 논문의 기법은 기존 연구와 달리 자소 정보 뿐만 아니라 음소정보를 사용하였다.
제안 방법
- 은 1, 650개 영어-한국어 음차표기 쌍으로 구성된 실험집합으로 기존의 여러 연구에서 평가를 위한 실험 집합으로 사용되었다μ, 2, 3, 4, 5, 6]. 본 논문에서는 [1, 2, 3, 4, 5, 6]과의 비교평가를 위하여 Test Sef / 실험집합을 사용하였다. Test Set I 중 1,500쌍은 학습데이터로 사용하고, 150쌍은 시험데이터로 사 용하였다, 7舞"必〃[2, 3, 11]은 7, 185개 영어-한국어 음차표기 쌍으 로 구성되어 있으며, 6, 185쌍온 학습데이터로 1, 00。쌍은 시험데 이터로 사용하였다.
- 하지만 발음 사전이 모든 영어 단어에 대한 발음을 수록하고 있지 않기 때문에, 발음 사전에 등재되지 않은 단어에 대해서는 발음을 추정해야 한다. 본 논문에서는 발음 추정 문제를 음소 할당 문제로 변환하여 해결한다. 음소 할당 문제는 영어 자소 勻 와 为의 문맥 정보를 통하여 집합 Q에서 가장 적합한 即]를 생성하는 문제로 정의된다.
- 한국어 옴차표기 생성작업은 주어진 영어자소와 음소정보를 이용하여 한국어 옴차표기를 생성하는 작업으로 정의된다. 본 논문에서는 음차표기 생성 결과를 GPK로 표현한다를 영어단 어, P를 E의 발음 그리고 K를 E와 F에 대웅하는 한국어 음차표 기라고 정의하면, E, P. K는 각각 练와 户=/时교..
- 본 논문에서는 음차표기 생성 문제를 한글자소 할당문제로 변환하여 해결한다. 한글자소 할당문제는 영어자소 e, 와 음소 p, 그리고 이들의 문맥정보를 이용하여 집합 R에서 가장 적합한 gpk를 생성하는 문제로 정의된다.
- 이 때, 피봇방식에서는 사전에 기반하여 영어발 음을 생성하고 생성된 발음을 표준 외래어 표기법[8]에 기반하여 음차표기롤 생성하였다. 본 논문의 기법온 기존의 피봇방식 과는 달리 발음으로 한국어 음차표기를 생성할 때, 기계학습을 이용하여 규칙을 자동으로 학습한다. 따라서 본 논문의 기법은 기존의 방식들에서 나타난 한계점을 보완하고 해결함으로써, 효과적으로 음차표기를 수행하는 모텔이라 할 수 있다.
- 본 논문에서는 자소 및 음소정보를 이용한 영-한 음차표기 모델을 제안하였다. 본 논문의 기법은 기존 연구와 달리 자소 정보 뿐만 아니라 음소정보를 사용하였다. 즉, 직접방식과 피봇 방식올 통합한 기법으로 높은 성능을 나타내었다.
- 글말 표기는 영어단어의 글자를 이용하여 음차표 기하는 방법이며, 입말 표기는 영어단어의 발음을 이용하여 음 차표기하는 방법이다. 이재성(1)은 이러한 입말 표기와 글말표기 를 처리하기 위한 음차표기 모델로 직접 방식, 피봇방식 그리고 이들을 혼합한 혼합방식을 제안하였다.
- 첫째, 기존의 혼합방식은 직접방식의 결과와 피봇방식의 결과 중 하나를 선택하는 방식인데 반하여, 본 논문의 기법은 직 접방식의 규칙과 피봇방식의 규칙을 통합적으로 이용하여 음차 표기를 생성한다. 따라서 기존의 혼합방식과는 달리 직접방식 또는 피봇방식에 의존적인 방법이 아니다.
- 즉 기존의 직접방식 및 피봇방식이 자소정보 또는 옴소정보만을 사용하였으며, 이를 이용하는 기존의 혼합방식은 자소 또는 음소만올 이용한 음 차표기 결과를 생성한다. 하지만 본 논문의 기법은 음소정보뿐만 아니라 자소정보에 기반한 규칙을 통하여 한국어 음차표기 를 생성한다. 따라서 본 논문에서 제안하는 기법은 입말표기 및 글말표기를 통합적으로 처리할 수 있는 모델이라 할 수 있다.
- 학습데 이터는 영어자소-음소-한글자소 정렬 데이터를 사용한다. 한글 자소 할당함수 必의 학습을 위하여 영어자소, 음소, 일반화된 영어자소, 일반화된 음소를 사용하였다. 예를 들어, 영어단어 功wd와 발음 7B OA RD/, 에 대한 음차표기 생성에서 영어자소 力와 자소에 대웅되는 음소, 用/'가 생성하는 모든 한글자소 집 합에 대하여, 한글자소 할당함수 力는 문맥정보 Lh L2, L3, Rb R2, 足를 이용하여 가장 적합한 한글자소 이을 생성한다.
대상 데이터
- 본 논문에서는 [1, 2, 3, 4, 5, 6]과의 비교평가를 위하여 Test Sef / 실험집합을 사용하였다. Test Set I 중 1,500쌍은 학습데이터로 사용하고, 150쌍은 시험데이터로 사 용하였다, 7舞"必〃[2, 3, 11]은 7, 185개 영어-한국어 음차표기 쌍으 로 구성되어 있으며, 6, 185쌍온 학습데이터로 1, 00。쌍은 시험데 이터로 사용하였다. 7曷는 [2, 3, 6]에서 사용한 실험집합으로 본 논문의 기법과 [2, 3, 6]의 성능평가를 위하여 사용한다.
- 따라서 주어진 영어단어에 대한 발음 올 생성할 경우 발음 사전을 우선 적으로 '검색한다. 사용한 발음 사전 온 CMU pronouncing dictionary로 약 120, 000개 영어단어에 대한 발음을 포함하고 있다. 하지만 발음 사전이 모든 영어 단어에 대한 발음을 수록하고 있지 않기 때문에, 발음 사전에 등재되지 않은 단어에 대해서는 발음을 추정해야 한다.
- 한글자소 할당함수 勿는 발음추정함수 %와 마찬가지로 메모 리기반 학습방법과 결정트리기법을 이용하여 학습한다. 학습데 이터는 영어자소-음소-한글자소 정렬 데이터를 사용한다. 한글 자소 할당함수 必의 학습을 위하여 영어자소, 음소, 일반화된 영어자소, 일반화된 음소를 사용하였다.
- 음소할당함수 布의 학습올 위하여 메모리기반 학습[9]과 결정 트리 기법[10]을 사용하였다. 학습데이터는 CMU 사전의 영어- 발음에 대한 영어자소-음소간 대응된 데이터를 사용하였으며, 학습을 위한 특성자질(feature)은 영어자소의 문맥정보를 사용하 였다, 본 논문에서는 문맥외 크기를 3으로 한정하였다. 예를 들 어, 曲wd에 대한 발음추정에서 영어자소 b는 b가 생성하는 모든 가능한 음소집합 중에서 문맥정보 爲匕2=$: 匕3=$‘, 'R产S, 'R产aL ‘心=彼에 의하여 가장 적합한 음소 网를 음소 할당함수 席에 의해 생성한다.
이론/모형
- 음소할당함수 布의 학습올 위하여 메모리기반 학습[9]과 결정 트리 기법[10]을 사용하였다. 학습데이터는 CMU 사전의 영어- 발음에 대한 영어자소-음소간 대응된 데이터를 사용하였으며, 학습을 위한 특성자질(feature)은 영어자소의 문맥정보를 사용하 였다, 본 논문에서는 문맥외 크기를 3으로 한정하였다.
- 이러한 발음 생성 결과를 얻기 위하여, 본 논문에서는 발음 사전 검색 방법과 발음 추정 방법 올 사용한다. 발음 사전은 주 어진 단어에 대하여 정확한 발음이 수록된 사전이다.
- 평가 방법은 음차표기 평가 방법으로 널리 사용되는 단어 정확도(W.A.)와 글자 정확도(C.A.)를 이용한다. 단어 정확도와 글자 정화도 는 식 (7) 과 같이 표현된다.
성능/효과
- 의 성눙향상올 나타내었다. 그리고 본 논문의 기법에서 메모리 학습방법이 결 정트리 방법보다 좋은 성능을 나타낸다. 이는 결정트리 기법이 각 특성자질에 의한 분기 방법인데 비해, 메모리기반 방법은 전체 특성자질 간의 유사도롤 비교하여 결과를 생성하기 때문 으로 분석된다.
- 따라서 본 논문에서 제안하는 기법은 입말표기 및 글말표기를 통합적으로 처리할 수 있는 모델이라 할 수 있다. 둘째, 기존의 혼합방식에서는 피봇방식의 결과를 이용하기 때문에 직접방식의 음차표기와 피봇방식의 음차표기를 모두 수 행하여야 한다. 이 때, 피봇방식에서는 사전에 기반하여 영어발 음을 생성하고 생성된 발음을 표준 외래어 표기법[8]에 기반하여 음차표기롤 생성하였다.
- 하지만 본 논문의 기법은 음소정보뿐만 아니라 자소정보에 기반한 규칙을 통하여 한국어 음차표기 를 생성한다. 따라서 본 논문에서 제안하는 기법은 입말표기 및 글말표기를 통합적으로 처리할 수 있는 모델이라 할 수 있다. 둘째, 기존의 혼합방식에서는 피봇방식의 결과를 이용하기 때문에 직접방식의 음차표기와 피봇방식의 음차표기를 모두 수 행하여야 한다.
- 본 논문의 기법온 기존의 피봇방식 과는 달리 발음으로 한국어 음차표기를 생성할 때, 기계학습을 이용하여 규칙을 자동으로 학습한다. 따라서 본 논문의 기법은 기존의 방식들에서 나타난 한계점을 보완하고 해결함으로써, 효과적으로 음차표기를 수행하는 모텔이라 할 수 있다.
- 즉, 직접방식과 피봇 방식올 통합한 기법으로 높은 성능을 나타내었다. 또한 기존 방법보다 최고 70%의 성능향상올 나타내었다.
- 표 1은 Test set J과 Test set 77에 대한 기존연구와의 성눙비교 실험결과를 각각 나타낸다. 실험 결과에서 본 논문의 기법은 결정트리를 이용한 방법(DTree)과 메모리학습을 이용한 방법 (MBL) 모두에서 기존의 방법보다 높은 성눙올 나타낸다. 또한 7函 se〃에 대해서는 약 10%~70%의 WA의 성능향상을 나타내 었으며, 에 대해서는 약 5%卜 23%의 W.
- 즉, 음차표기가 각 특성자질인 음소 또는 자소 만의 변환 작업이 아니라 음소 맟 자소의 통합적인 변환 작업 이라는 측면에서 전체 특성자질을 비교하는 메모리기반 학습방법이 음차표기에 보다 유용함을 나타낸다. 실험결과는 직접방 식에 기반한 기존의 자소 변환 방법보다 본 논문에서 제안한 자소 및 자소에 대웅하는 음소 정보를 통합적으로 이용한 번환 방법이 보다 효과적으로 한국어 음차표기를 생성함을 알 수 있다.
- 본 논문의 기법은 기존 연구와 달리 자소 정보 뿐만 아니라 음소정보를 사용하였다. 즉, 직접방식과 피봇 방식올 통합한 기법으로 높은 성능을 나타내었다. 또한 기존 방법보다 최고 70%의 성능향상올 나타내었다.
후속연구
- 첫째, 영어의 어원, 영어의 단어 형성과 같은 언어적 지식은 음 차표기에 중요하게 사용될 수 있으므로, 이를 이용한 연구가 추가적으로 수행되어야 할 것이다. 둘째, 신경망, 최대엔트로피 모델 등의 다른 기계학습의 적용에 대한 추가적인 연구가 필食 하다’ 본 논문의 기법은 정보검색, 기계번역, 이중언어 사전 구 축, 음성 인식 둥 여러 자연언어웅용에 유용하게 사용될 수 있을 것으로 기대된다.
- 하지만 본 논문의 기법은 성능향상의 여지가 많이 남아 있다. 첫째, 영어의 어원, 영어의 단어 형성과 같은 언어적 지식은 음 차표기에 중요하게 사용될 수 있으므로, 이를 이용한 연구가 추가적으로 수행되어야 할 것이다. 둘째, 신경망, 최대엔트로피 모델 등의 다른 기계학습의 적용에 대한 추가적인 연구가 필食 하다’ 본 논문의 기법은 정보검색, 기계번역, 이중언어 사전 구 축, 음성 인식 둥 여러 자연언어웅용에 유용하게 사용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.