초록

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

본 논문에서는 패턴이나 음성데이터와 같이 순차적 데이터론 인식하는데 널리 사용되어온 모델로서, 일련의 순차적인 성질을 내포하고있는 데이터를 다루는 문제에 적합하다고 할 수 있는 HMM을 이용하여 정보추출 문제를 다룬다. 기본적으로는 통상적인 HMM 사용법을 따르나 모델의 구조를 정함에 있어서 HMM을 사용할 때는 주로 목적에 맞는 HMM의 구조를 수동으로 구성하고 모델 내부의 확률 파라미터 값을 학습시켰던 데 반해, 본 논문에서는 데이터의 전처리 정보를 이용하여 초기에 추상적으로 설정한 모델이 학습을 통해서 점차 구체화되어 가는 자기 구성 은닉마르코프 모델(5-HMM)을 제시하여 사용한다. 제시된 방법은 CFP(Call for Paper)등의 텍스트 데이터에 더만 실험에서 기존 방식을 사용한 HMM보다 향상된 결과를 보여준다.

본 논문에서는 패턴이나 음성데이터와 같이 순차적 데이터론 인식하는데 널리 사용되어온 모델로서, 일련의 순차적인 성질을 내포하고있는 데이터를 다루는 문제에 적합하다고 할 수 있는 HMM을 이용하여 정보추출 문제를 다룬다. 기본적으로는 통상적인 HMM 사용법을 따르나 모델의 구조를 정함에 있어서 HMM을 사용할 때는 주로 목적에 맞는 HMM의 구조를 수동으로 구성하고 모델 내부의 확률 파라미터 값을 학습시켰던 데 반해, 본 논문에서는 데이터의 전처리 정보를 이용하여 초기에 추상적으로 설정한 모델이 학습을 통해서 점차 구체화되어 가는 자기 구성 은닉마르코프 모델(5-HMM)을 제시하여 사용한다. 제시된 방법은 CFP(Call for Paper)등의 텍스트 데이터에 더만 실험에서 기존 방식을 사용한 HMM보다 향상된 결과를 보여준다.

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 논문에서는 9HMM을 이용한 정보추출을 학회참가안내문 서를 모아 구성한 CaU-For-Papera 데이터에 대하여 특정 필드를 주출하도록 하여 실험을 수행하였다. &HMM을 이용하여 초기의 모델을 규칙정보를 이용하여 변형해 나가도록 함으로써 데이터의 특징에 보다 적합한 구조를 스스로 찾을 수 있었다.

제안 방법

• S-HMM 은 모델 구조의 제한을 두지 않은 HMM방법으로 전처리로 얻어진 데이터의 특징을 이용하여 모델이 스스로 구조를 학습하는 HMM을 이융하여 정보추출의 문제를 해결하는 방법을 제안한다.
• HMM을 이용하여 정벼一 추출을 수행하기 위해서 HMM의 각 요소들을 다음과 같이 산험 텍스:巨더이터의 각 요소들로 고려하였다.
• 데이터는 크게 학회의 이름, 개최지, 날짜, 장소, 학회에서 다루는 주제(topic), 위원회 명단, 논문제출 스케줄, 연락처 등을 포함하고 있다. 본 논문에서는 실험에 사용하기 위해서 CFP데이터를 그림 1과 같이 각 필드에 대하여 9G ML 형식으로 태깅(taggktg)을 하였다. 데이터에 포함된 이와 같은 SGML형식의 태그는 모델 훈련에 사용되었다.

대상 데이터

• 데이터에 포함된 이와 같은 SGML형식의 태그는 모델 훈련에 사용되었다. 실험에서 사용한 CFP데이터는 컴퓨터과학(Computer Science)분야 학회의 CFP 문서 400개와 생물학 분야의 학회 CFP문서 200개로 총 600개의 서로 다른 학회에 대한 CFP문서로 구성되어 있으며, 전체 데이터의 크기는 6717K바이트이다.
• CFP데이터는 SGML형식의 태그를 이용하여 전처리(label)하여 그림 1과 같이 구성하였다. 그림에서 "<NL>” 개행 문자 (new line character)를 표현한다.
• 그림에서 "<NL>” 개행 문자 (new line character)를 표현한다. 실험에서는 전체 600개의 CFP문서 중에서 임의로 선택한 250개의 CFP문서를 훈련데이터로 사용하였고, 나머지 350개를 이용하여 훈련된 모델의 성능을 검증하는데 사용하였다.

이론/모형

• 본 논문에서는 스스로 초기에 정해진 모델의 구조를 변경할 수 있는 은닉마르코프모델을(Self-Organizing Hidden Markov Model: S-HMM) 사용하여 정보추출의 문제를 다룬다. S-HMM 은 모델 구조의 제한을 두지 않은 HMM방법으로 전처리로 얻어진 데이터의 특징을 이용하여 모델이 스스로 구조를 학습하는 HMM을 이융하여 정보추출의 문제를 해결하는 방법을 제안한다.
• 。丁)에 대하여 ROM) 를 최대로 하는 모델 A=(ZZ, 厶, 3)의 매개변수(parameter)를 결정하는 매개변수 주정(parameter estimation) 문제를 해결함으로써 모델을 사용할 수 있게 된다. 본 논문에서도 통상적인 HMM사용법을 이용하여 모델을 구성하였다[3, 5问.

성능/효과

• 주출하도록 하여 실험을 수행하였다. &HMM을 이용하여 초기의 모델을 규칙정보를 이용하여 변형해 나가도록 함으로써 데이터의 특징에 보다 적합한 구조를 스스로 찾을 수 있었다. 또한 훈련시간이 다소 증가하기는 하였지만 훈련 후에 정보추출에 소요된 시간 면에서는 약 12% 정도의 속도 향상 효과와 4%정도의 정확도 향상의 효과를 얻을 수 있었다.
• &HMM을 이용하여 초기의 모델을 규칙정보를 이용하여 변형해 나가도록 함으로써 데이터의 특징에 보다 적합한 구조를 스스로 찾을 수 있었다. 또한 훈련시간이 다소 증가하기는 하였지만 훈련 후에 정보추출에 소요된 시간 면에서는 약 12% 정도의 속도 향상 효과와 4%정도의 정확도 향상의 효과를 얻을 수 있었다. 단, 규칙 생성을 위한 전처리 단계의 시간을 모두 고려하면 이러한 개선 폭음 조금 낮아지는데 이는 앞으로 개선해야 할 과제라 할 수 있다.

후속연구

• 단, 규칙 생성을 위한 전처리 단계의 시간을 모두 고려하면 이러한 개선 폭음 조금 낮아지는데 이는 앞으로 개선해야 할 과제라 할 수 있다. 또한, XMe과 같이 데이터 자체가 풍부한 부가정보를 제공하는 경우에 대한 효율적인 data driven 접근 방법도 고려해보아야 할 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기