초록

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

본 논문에서는 평균 상호정보량에 기반하고 복합명사 의미사전을 이용한 동음이의어 중의성 해소 기술에 대해서 소개한다. 평균 상호정보량을 이용한 방법은 사전의 뜻풀이를 이용하는 기존 방법의 자료부족문제를 완화시킨다. 복합명사 의미사전은 복합명사를 구성하는 단일영사들의 의미제약 관계를 이용하여 구축된다. 기 구축된 복합명사 의미사전은 어휘 의미 중의성의 정확률을 향상시키고, 연산 시간을 줄여 시스템의 효율성을 극대화시킨다. 평균 상호정보량을 이용한 실험에서는 $62.04\%$의 정확률로 LESK의 방법에 비해 $6.06\%$의 향상이 있었고, 복합명사 의미사전을 이용하였을 때는 $68.13\%$의 정확률로 $12.76\%$의 정확률 향상이 있었다.

본 논문에서는 평균 상호정보량에 기반하고 복합명사 의미사전을 이용한 동음이의어 중의성 해소 기술에 대해서 소개한다. 평균 상호정보량을 이용한 방법은 사전의 뜻풀이를 이용하는 기존 방법의 자료부족문제를 완화시킨다. 복합명사 의미사전은 복합명사를 구성하는 단일영사들의 의미제약 관계를 이용하여 구축된다. 기 구축된 복합명사 의미사전은 어휘 의미 중의성의 정확률을 향상시키고, 연산 시간을 줄여 시스템의 효율성을 극대화시킨다. 평균 상호정보량을 이용한 실험에서는 $62.04\%$의 정확률로 LESK의 방법에 비해 $6.06\%$의 향상이 있었고, 복합명사 의미사전을 이용하였을 때는 $68.13\%$의 정확률로 $12.76\%$의 정확률 향상이 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

• 복합명사의 미사전은 고빈도의 복합명사 일무에 대해서 미리 의미태깅을 함으로써, 어휘의미 분별의 정확률과 속도 향상을 목적으로 한다. 복합 명사의미 사전을 위해 고빈도 복합명사 약 40, 000어휘(출현빈도가 5 이상인 복합명사 어휘)를 빈도순으로 추출하였으며, 표준국어대사 전의 의미체계에 기반하여 동음이의어와다의어 번호를 부착하였다.
• 본 논문에서는 자료 부족 문제를 완화하기 위해서 평균 상호 정보량을 이용한 동음이의어 중의성 해소기술에 대해서 간단히 언급하고, 복합명사 의미분석 사전이 정확률 향상에 미치는 영향을 분석하였다.
• 본 논문에서는 평균 상호 정보량에 기반한 동음이의어 중의성 해소방법에 복합명사 의미사전을 추가로 이용하는 수정된 모델을 제시하였다. 복합명사는 단일명사들 간의 의미적 제약으로 인해, 사전에 의미를 부착할 수 있다.

가설 설정

• B. 의미번호는 표준국어대사 전의 의미 체계를 따른다.
• F. 복합 명사를 구성하는 단일명사들이 서로의 의미 중의성을 해소하지 못하는 경우에는 해당 복합명사는 복합명사 의미사 전에서 제외한다.

제안 방법

• Ganesh Ramakr ishnan은 워드넷 Synset 의미 풀이 말과 문맥의 단서들 간의 유사도를 코사인 유사도 (Cosine Similarity) 와 자카드유사도(Jacca「d Simi lar i ty)를 이용하여 가장 유사도가 높은 풀이 말의 Synset 으로 의미를 결정한다. 또한 다양한 의미 관계(Hypernyms, H 이。nyms) 로의 확장을 통해 의미 분별에 미치는 영향을 분석하였다. 이기술도 의미 풀이 말과 문맥단서 어휘의 정홖한 매칭에 기반한 TF(Term F「e이 uency) 와 IGF( Inverse Gloss F「e아uency)를 이용하여, 자료 부족 문제롤 근원적으로 해결하지 못하고 있다.
• 복합 명사의미 사전을 위해 고빈도 복합명사 약 40, 000어휘(출현빈도가 5 이상인 복합명사 어휘)를 빈도순으로 추출하였으며, 표준국어대사 전의 의미체계에 기반하여 동음이의어와다의어 번호를 부착하였다. 복합명사 의미사전의 구축 지침은 다음과 같다.
• 복합명사 의미사 전 구축의 효율성 판단을 위해서 먼저 원시 코퍼스를 대상으로 복합명사의 분포를 분석하였다';. 분석된 코퍼스로부터 추출된 전체 명사 중복합명사를 구성하는 명사의 비율이 약 30%정도였다.
• 복합명사의 미사전을 이용한 실험은 AMI 에서 가장 좋은 성능을 보인 윈도우 사이즈 9어서 수행하였다. 실험 결과 복합명사의 미사전을 이용하였을 때, 정확률 68.
• 실험은 크게 두 종류로 수행하였다. 사전 뜻풀이를 이용하는 가장 대표적인 방법인 LESK 방법론과 평균 상호정보량에 기반한 방법의 비교와 복합 명사의 미사 전을 이용하였을 때의 정확률 향상에 대한 실험이다.
• 실험은 문맥의 윈도우 사이즈를 1에서 10까지 변경하면서 한 실험과 문장 단위로 실험한 결과를 비교하였다. 일반적으로 윈도우 사이즈가 크면 좋은 결과를 보이지만, 연산량이 많아져 비효율적이다.
• 따라서, 정확하게 매칭되지 않는 어휘들에 의한 자료 부족 문제가 심각하다. 이를 완화하기 위해서 본 논문에서는 어휘들 간의 연관 관계를 정량화한 상호 정보량 (Mutual lnfo「mat ion) 을 이용하였다. 상호 정보량은 두 독립사건의 확률 변수 X와 Y 사이의 의존관계를 정량적으로 나타낸 것이다[1].

데이터처리

• 분석된 코퍼스로부터 추출된 전체 명사 중복합명사를 구성하는 명사의 비율이 약 30%정도였다. 또한 추출된 복합명사들의 빈도멸 분표와 비율을 계산하였다.

성능/효과

• LESK 실험은 윈도우 사이즈에 따라 가파르게 정확률이 상승하다가 윈도우 사이즈 4 정도에서 안정적인 모습을 보인다. 이는 정확한 어휘의 매칭을 기반으로 하는 방법에서는 윈도우 사이즈가 작을 때, 자료부족 현상이 발생한다는 것을 의미한다.
• 고빈도 43, 776개의 복합명사를 대상으로 복합 명사 의미 사전을 구축한 결과, 약 18%는 다양한 이유들(의미적 모豆성, 형태소 분석 오류, 사전 미등재 등)로 인해서 의미를 무작할 수가 없었다.
• 04% 의정확률을 보였다. 또한 복합명사 의미 사전을 이용하였을 때는 68.13%의 정확률을 보여 평균 상호정보량을 이용하였을 때보다 약 6.7%의 정확률향상이 있었다. 본 논문의 실험을 통해, 고빈도의 복합 명사에 대해기 구축된 의미사전은 어휘 중의성 해소에 큰 도움이 될 수 있는 것으로 분석되었다.
• 7%의 정확률향상이 있었다. 본 논문의 실험을 통해, 고빈도의 복합 명사에 대해기 구축된 의미사전은 어휘 중의성 해소에 큰 도움이 될 수 있는 것으로 분석되었다.
• 분석된 코퍼스로부터 추출된 전체 명사 중복합명사를 구성하는 명사의 비율이 약 30%정도였다. 또한 추출된 복합명사들의 빈도멸 분표와 비율을 계산하였다.
• 수행하였다. 실험 결과 복합명사의 미사전을 이용하였을 때, 정확률 68.13%로 약 6.7%의 정확률 향상이 있었다. 중 의성어휘의 평균의 미 수는 5.
• 또한 명사 관계 일반화를 통해 구문 내의 명사들을 복합명사화하여 복합명사 의미 사전을 이용할 수 있다. 평균 상호 정보량을 기반으로 한방 법은 LESK의 방법론에 비해 6.06% 높은 62.04% 의정확률을 보였다. 또한 복합명사 의미 사전을 이용하였을 때는 68.

후속연구

• 따라서, 앞으로 반자동을 복합명사의 미사전을 구축할 수 있는 지능형 워크벤치를 구축하기 위한 연구가 친행되어야할 것이다. 또한, 기구축된 복합명사 의미 사전을 다양한 언어분석 기술에 어떻게 활용할 수 있을지 연구하여야 할 것이다.
• 따라서, 앞으로 반자동을 복합명사의 미사전을 구축할 수 있는 지능형 워크벤치를 구축하기 위한 연구가 친행되어야할 것이다. 또한, 기구축된 복합명사 의미 사전을 다양한 언어분석 기술에 어떻게 활용할 수 있을지 연구하여야 할 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기