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
- K-ToBI 는 한국어의 운율 정보를 표면적인 정보로 표기하는 방법 중의 하나로서, 여기에서는 이러한 발화열 중간에 위치하게 되는 끊김에 대한 정도를 Break Indices 충을 두어 별도로 정의하고 있다. 본 논문에서는 문서 음성 변환 시스템 (Text-to-Speech system)의 자연성 향상에 큰영향을 미치는 이러한 Break Indices 정보를 레벨의 정도에 따라 운율구 경계 유무와 경계 레벨로 정의하고 이를 예측하는 시스템에 있어 성능을 향상시키고자 한다. 기존의 운율 생성에 관한 연구에서는 CART를 이용하여 운율구의 경계 유무에 대한 정보를 예측하고 있으며, 영어권에서는 이 방법을 이용하여 억양구 경계의 위치를 비교적 높은 정확률로 예측하고 있다.
- K-ToBI 는 한국어의 운율 정보를 표면적인 정보로 표기하는 방법 중의 하나로서, 여기에서는 이러한 발화열 중간에 위치하게 되는 끊김에 대한 정도를 Break Indices 충을 두어 별도로 정의하고 있다. 본 논문에서는 문서 음성 변환 시스템 (Text-to-Speech system)의 자연성 향상에 큰영향을 미치는 이러한 Break Indices 정보를 레벨의 정도에 따라 운율구 경계 유무와 경계 레벨로 정의하고 이를 예측하는 시스템에 있어 성능을 향상시키고자 한다. 기존의 운율 생성에 관한 연구에서는 CART를 이용하여 운율구의 경계 유무에 대한 정보를 예측하고 있으며, 영어권에서는 이 방법을 이용하여 억양구 경계의 위치를 비교적 높은 정확률로 예측하고 있다.
가설 설정
- 운율구의 경계 위치는 일반적으로 억양의 급변화, 각 어절의 마지막 음절에 대한 장음화 그리고 휴지의 삽입과 같은 음성 신호에 있어서의 현상 둥이 나타나게 된다. 본 연구에서는 K-ToBI 레이블링의 정의에 입각하여 문장을 이루는 어절 사이에서만 운율구 경계가 나타난다고 가정하였으며, 휴지가 발생되지 않는 구간에 대해서는 Break Indices 레벨 정보를 0으로 설정하였다. 그 외에, 문장과 문장의 사이를 제외한 나머지 어절간의 경계에 대해 그에 적합한 레벨 정보를 레이블링하였다.
- 운율구의 경계 위치는 일반적으로 억양의 급변화, 각 어절의 마지막 음절에 대한 장음화 그리고 휴지의 삽입과 같은 음성 신호에 있어서의 현상 둥이 나타나게 된다. 본 연구에서는 K-ToBI 레이블링의 정의에 입각하여 문장을 이루는 어절 사이에서만 운율구 경계가 나타난다고 가정하였으며, 휴지가 발생되지 않는 구간에 대해서는 Break Indices 레벨 정보를 0으로 설정하였다. 그 외에, 문장과 문장의 사이를 제외한 나머지 어절간의 경계에 대해 그에 적합한 레벨 정보를 레이블링하였다.
제안 방법
- 본 논문에서는 기존의 연구에서 사용한 트리 기반 모델을 대체하는 Support Vector Machine을 분류 함수로 적용하여 이를 통해 예측 시스템의 성능 향상을 유도하였다. K-ToBI 기반의 Break Indices 정보를 운율구의 경계 정보로서 레이블링하였고, 우선적으로 제안한 특징 변수들 중에서 트리 모델을 사용하여 최적의 특징변수들을 추출하였다. 구축한 코퍼스를 토대로 실험한 결과를 통하여 기존의 CART 방법에 비하여 SVM 모델이 운율구 예측을 위한 모델링에 보다 우수한 접근법이라는 것을 입증하였다.
- 본 논문에서는 기존의 연구에서 사용한 트리 기반 모델을 대체하는 Support Vector Machine을 분류 함수로 적용하여 이를 통해 예측 시스템의 성능 향상을 유도하였다. K-ToBI 기반의 Break Indices 정보를 운율구의 경계 정보로서 레이블링하였고, 우선적으로 제안한 특징 변수들 중에서 트리 모델을 사용하여 최적의 특징변수들을 추출하였다. 구축한 코퍼스를 토대로 실험한 결과를 통하여 기존의 CART 방법에 비하여 SVM 모델이 운율구 예측을 위한 모델링에 보다 우수한 접근법이라는 것을 입증하였다.
- 본 연구에서는 K-ToBI 레이블링의 정의에 입각하여 문장을 이루는 어절 사이에서만 운율구 경계가 나타난다고 가정하였으며, 휴지가 발생되지 않는 구간에 대해서는 Break Indices 레벨 정보를 0으로 설정하였다. 그 외에, 문장과 문장의 사이를 제외한 나머지 어절간의 경계에 대해 그에 적합한 레벨 정보를 레이블링하였다. 코퍼스는 어절간의 경계만을 대상으로 해서 구축되었으며 각각의 경계 정보는 특징 변수 정보를 포함한다.
- 본 연구에서는 K-ToBI 레이블링의 정의에 입각하여 문장을 이루는 어절 사이에서만 운율구 경계가 나타난다고 가정하였으며, 휴지가 발생되지 않는 구간에 대해서는 Break Indices 레벨 정보를 0으로 설정하였다. 그 외에, 문장과 문장의 사이를 제외한 나머지 어절간의 경계에 대해 그에 적합한 레벨 정보를 레이블링하였다. 코퍼스는 어절간의 경계만을 대상으로 해서 구축되었으며 각각의 경계 정보는 특징 변수 정보를 포함한다.
- 트리 모델 상에서 상위 노드일수록 데이터 분류시 불순도 양의 감소분을 최대화 한다는 것에 근거를 두어 pruning된 트리에서 최상위 노드부터 터미널 노드까지 사용된 12개의 특징변수들을 최적의 특징변수들로 간주하고 이를 코퍼스로 구축하였다. 다음에 각 변수가 코퍼스 내에서 가지는 이름과 함께 변수들이 최종적인 예측 결과에 미치는 영향력을 간략하게 타진하여 보았다. 사용된 변수 이름에서 앞이 C인 변수는 실변수임을 나타내는 것이며, D인 변수는 카테고리 변수임을 나타내는 것이다.
- 다음으로 (0/1)과 (2/3)의 레벨 정보에 대해 이를 각각 0, 1로 근사화하여 운율구의 경계에 대한 유무 정보로 가정하고 마찬가지로 학습코퍼스를 통하여 각 모델을 생성한 후 테스트코퍼스를 통하여 실험하였다. 이에 대한 confusion matrix는 다음과 같다.
- 다음으로 (0/1)과 (2/3)의 레벨 정보에 대해 이를 각각 0, 1로 근사화하여 운율구의 경계에 대한 유무 정보로 가정하고 마찬가지로 학습코퍼스를 통하여 각 모델을 생성한 후 테스트코퍼스를 통하여 실험하였다. 이에 대한 confusion matrix는 다음과 같다.
- 또한, 영어의 경우와 달리 한국어의 경우는 지배어절이 항상 의존어절의 뒤에 위치하는 것을 발견할 수 있다[3]. 문장에 대한 형태소 분석 정보는 통상적으로 단일의 품사열 형태로 나타나지만 본 연구에서는 각 어절을 이루는 단어 성분에 대한 품사정보를 어절 내에서의 단어의 위치에 따라 좌품사 / 우품사로 구분하여 각각을 특징 변수에 포함시켰다. 이에 대한 한 예를 표 1에 보였다.
- 또한, 영어의 경우와 달리 한국어의 경우는 지배어절이 항상 의존어절의 뒤에 위치하는 것을 발견할 수 있다[3]. 문장에 대한 형태소 분석 정보는 통상적으로 단일의 품사열 형태로 나타나지만 본 연구에서는 각 어절을 이루는 단어 성분에 대한 품사정보를 어절 내에서의 단어의 위치에 따라 좌품사 / 우품사로 구분하여 각각을 특징 변수에 포함시켰다. 이에 대한 한 예를 표 1에 보였다.
- 본 논문에서는 기존의 연구에서 사용한 트리 기반 모델을 대체하는 Support Vector Machine을 분류 함수로 적용하여 이를 통해 예측 시스템의 성능 향상을 유도하였다. K-ToBI 기반의 Break Indices 정보를 운율구의 경계 정보로서 레이블링하였고, 우선적으로 제안한 특징 변수들 중에서 트리 모델을 사용하여 최적의 특징변수들을 추출하였다.
- 본 논문에서는 기존의 연구에서 사용한 트리 기반 모델을 대체하는 Support Vector Machine을 분류 함수로 적용하여 이를 통해 예측 시스템의 성능 향상을 유도하였다. K-ToBI 기반의 Break Indices 정보를 운율구의 경계 정보로서 레이블링하였고, 우선적으로 제안한 특징 변수들 중에서 트리 모델을 사용하여 최적의 특징변수들을 추출하였다.
- 본 실험을 위해 GNU/R 환경에서의 SVM 라이브러리를 사용하여 SVM 모델을 학습시켰다. SVM의 파생 형태인 V-SVM을 적용하여 모델을 생성하였으며[7], 커널 함수로는 Radial Basis 함수를 이용하였다[7].
- 본 연구에서는 3.1절에서 언급하였던 기본 정보를 바탕으로 일반적으로 문음성 코퍼스에서 쓰여지는 26개의 특징변수들을 우선적으로 제안한다. 최적의 특징변수를 추출해내기 위한 방법으로 CART에서 트리를 확장할 경우 분리의 기준으로 사용되는 deviance를 이용한다.
- 본 연구에서는 3.1절에서 언급하였던 기본 정보를 바탕으로 일반적으로 문음성 코퍼스에서 쓰여지는 26개의 특징변수들을 우선적으로 제안한다. 최적의 특징변수를 추출해내기 위한 방법으로 CART에서 트리를 확장할 경우 분리의 기준으로 사용되는 deviance를 이용한다.
- 본 연구에서는 기존의 CART 모델에 근거하여 운율에 영향을 끼치는 언어 정보들 중에서 특징 변수들을 추출한 뒤, 이를 SVM 모델에 적용시켜 예측률의 향상을 유도한다. 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다.
- 본 연구에서는 기존의 CART 모델에 근거하여 운율에 영향을 끼치는 언어 정보들 중에서 특징 변수들을 추출한 뒤, 이를 SVM 모델에 적용시켜 예측률의 향상을 유도한다. 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다.
- 본 연구에서 사용된 코퍼스의 정보는 다음과 같다. 여러 장르에서 발췌한 550 문장에 대해 기존의 구문분석기와 형태소 분석기를 이용하여 구문 분석 정보, 형태소 정보 등을 얻어낸 후 이에 대한 오류를 수정하였다[2]. 여기서 구문 분석 정보는 의존 트리의 형태로 표현되는데[5], 의존 트리는 문장을 구성하는 어절간의 관계를 지배어절과 의존어절로 표현하는 것으로서 모든 어절은 그에 대웅되는 지배어절을 갖게 되고, 문장의 마지막 어절은 항상 자신을 지배어절로 갖게 된다.
- 본 연구에서 사용된 코퍼스의 정보는 다음과 같다. 여러 장르에서 발췌한 550 문장에 대해 기존의 구문분석기와 형태소 분석기를 이용하여 구문 분석 정보, 형태소 정보 등을 얻어낸 후 이에 대한 오류를 수정하였다[2]. 여기서 구문 분석 정보는 의존 트리의 형태로 표현되는데[5], 의존 트리는 문장을 구성하는 어절간의 관계를 지배어절과 의존어절로 표현하는 것으로서 모든 어절은 그에 대웅되는 지배어절을 갖게 되고, 문장의 마지막 어절은 항상 자신을 지배어절로 갖게 된다.
- 최적의 특징변수를 추출해내기 위한 방법으로 CART에서 트리를 확장할 경우 분리의 기준으로 사용되는 deviance를 이용한다. 우선 제안된 모든 특징 변수들을 대상으로 트리를 생성하고 과생성된 트리 모델을 대상으로 deviance가 가장 낮은 지점에서의 터미널 노드를 탐색한 후, 이 정보를 기반으로 pruning을 수행한다. 트리 모델 상에서 상위 노드일수록 데이터 분류시 불순도 양의 감소분을 최대화 한다는 것에 근거를 두어 pruning된 트리에서 최상위 노드부터 터미널 노드까지 사용된 12개의 특징변수들을 최적의 특징변수들로 간주하고 이를 코퍼스로 구축하였다.
- 최적의 특징변수를 추출해내기 위한 방법으로 CART에서 트리를 확장할 경우 분리의 기준으로 사용되는 deviance를 이용한다. 우선 제안된 모든 특징 변수들을 대상으로 트리를 생성하고 과생성된 트리 모델을 대상으로 deviance가 가장 낮은 지점에서의 터미널 노드를 탐색한 후, 이 정보를 기반으로 pruning을 수행한다. 트리 모델 상에서 상위 노드일수록 데이터 분류시 불순도 양의 감소분을 최대화 한다는 것에 근거를 두어 pruning된 트리에서 최상위 노드부터 터미널 노드까지 사용된 12개의 특징변수들을 최적의 특징변수들로 간주하고 이를 코퍼스로 구축하였다.
- 운율구 경계는 비슷한 크기의 단위로 발화가 이루어지는 것으로 기존 연구에서 보고된 바 있다. 이를 바탕으로 하여, 관측 어절의 상대적인 위치를 F/M/S 분류하여 사용하였다.
- 본 연구에서는 기존의 CART 모델에 근거하여 운율에 영향을 끼치는 언어 정보들 중에서 특징 변수들을 추출한 뒤, 이를 SVM 모델에 적용시켜 예측률의 향상을 유도한다. 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다. Break Indices 정보와 함께 구축한 코퍼스를 이용하여 해당 모델을 생성하고, 이에 대한 예측률을 CART 모델의 예측률과 비교함으로서 SVM 모델을 이용한 운율 정보 예측이 보다 우수함을 보인다.
- 본 연구에서는 기존의 CART 모델에 근거하여 운율에 영향을 끼치는 언어 정보들 중에서 특징 변수들을 추출한 뒤, 이를 SVM 모델에 적용시켜 예측률의 향상을 유도한다. 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다. Break Indices 정보와 함께 구축한 코퍼스를 이용하여 해당 모델을 생성하고, 이에 대한 예측률을 CART 모델의 예측률과 비교함으로서 SVM 모델을 이용한 운율 정보 예측이 보다 우수함을 보인다.
- 우선 제안된 모든 특징 변수들을 대상으로 트리를 생성하고 과생성된 트리 모델을 대상으로 deviance가 가장 낮은 지점에서의 터미널 노드를 탐색한 후, 이 정보를 기반으로 pruning을 수행한다. 트리 모델 상에서 상위 노드일수록 데이터 분류시 불순도 양의 감소분을 최대화 한다는 것에 근거를 두어 pruning된 트리에서 최상위 노드부터 터미널 노드까지 사용된 12개의 특징변수들을 최적의 특징변수들로 간주하고 이를 코퍼스로 구축하였다. 다음에 각 변수가 코퍼스 내에서 가지는 이름과 함께 변수들이 최종적인 예측 결과에 미치는 영향력을 간략하게 타진하여 보았다.
- 우선 제안된 모든 특징 변수들을 대상으로 트리를 생성하고 과생성된 트리 모델을 대상으로 deviance가 가장 낮은 지점에서의 터미널 노드를 탐색한 후, 이 정보를 기반으로 pruning을 수행한다. 트리 모델 상에서 상위 노드일수록 데이터 분류시 불순도 양의 감소분을 최대화 한다는 것에 근거를 두어 pruning된 트리에서 최상위 노드부터 터미널 노드까지 사용된 12개의 특징변수들을 최적의 특징변수들로 간주하고 이를 코퍼스로 구축하였다. 다음에 각 변수가 코퍼스 내에서 가지는 이름과 함께 변수들이 최종적인 예측 결과에 미치는 영향력을 간략하게 타진하여 보았다.
대상 데이터
- 본 실험에서는 GNU버전의 S 라고 할 수 있는 ©JU/R 환경에서 SVM 라이브러리 패키지를 이용하여 SVM 모델을 생성하고 실험에 적용하였다.
- SVM의 장점 중의 하나는 이러한 support vector의 개수를 적게 함으로서, 보다 컴팩트한 분류함수(classifier)를 생산하도록 한다는 것이다. 본 실험에서는 GNU버전의 S라고 할 수 있는 GNU/R 환경에서 SVM 라이브러리 패키지를 이용하여 SVM 모델을 생성하고 실험에 적용하였다.
- 코퍼스는 어절간의 경계만을 대상으로 해서 구축되었으며 각각의 경계 정보는 특징 변수 정보를 포함한다. 총 550 문장 중 어절간의 경계인 운율구 경계 후보의 개수는 10620 개였으며, 전체 코퍼스를 학습 코퍼스(전체 코퍼스의 70%, 7433개)와 테스트 코퍼스(전체 코퍼스의 30%, 3187개)로 나눈 후, 각각을 모델 생성과 테스트에 이용하였다. 또한 두 코퍼스의 통계치를 비교한 결과, 전체 코퍼스의 그것과 거의 비슷하였다.
- 코퍼스는 어절간의 경계만을 대상으로 해서 구축되었으며 각각의 경계 정보는 특징 변수 정보를 포함한다. 총 550 문장 중 어절간의 경계인 운율구 경계 후보의 개수는 10620 개였으며, 전체 코퍼스를 학습 코퍼스(전체 코퍼스의 70%, 7433개)와 테스트 코퍼스(전체 코퍼스의 30%, 3187개)로 나눈 후, 각각을 모델 생성과 테스트에 이용하였다. 또한 두 코퍼스의 통계치를 비교한 결과, 전체 코퍼스의 그것과 거의 비슷하였다.
이론/모형
- 본 실험을 위해 GNU/R 환경에서의 SVM 라이브러리를 사용하여 SVM 모델을 학습시켰다. SVM의 파생 형태인 V-SVM을 적용하여 모델을 생성하였으며[7], 커널 함수로는 Radial Basis 함수를 이용하였다[7]. u-SVM은 다소 직관적이지 못한 기존 SVM에서의 C 조정 계수를 0과 1사이의 값을 가지는 V 로 대체한다.
- 본 실험을 위해 GNU/R 환경에서의 SVM 라이브러리를 사용하여 SVM 모델을 학습시켰다. SVM의 파생 형태인 V-SVM을 적용하여 모델을 생성하였으며[7], 커널 함수로는 Radial Basis 함수를 이용하였다[7]. u-SVM은 다소 직관적이지 못한 기존 SVM에서의 C 조정 계수를 0과 1사이의 값을 가지는 V 로 대체한다.
- 본 실험에서는 경계 레벨 정보를 예측하는 통계 모델에 있어 기존의 트리 기반 모델 대신 SVM을 이용한다. CART의 경우 기존의 통계적인 방법을 통한 경계 위치와 휴지기간 등의 운율구 정보 예측에 대한 연구에 주로 쓰이고 있는 모델이며, SVM은 최근 패턴 인식과 회귀 문제에 대한 해결 방법으로 널리 쓰이기 시작하고 있는 모델이다.
성능/효과
- 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다. Break Indices 정보와 함께 구축한 코퍼스를 이용하여 해당 모델을 생성하고, 이에 대한 예측률을 CART 모델의 예측률과 비교함으로서 SVM 모델을 이용한 운율 정보 예측이 보다 우수함을 보인다.
- 일단, 각각의 문장에 대해 품사와 구문 정보를 포함하는 기본적인 언어 정보들을 기반으로 하여 총 26개의 특징 변수들을 제안한 후, 이 중 12개의 특징 변수만을 모델 생성에 적용한다. Break Indices 정보와 함께 구축한 코퍼스를 이용하여 해당 모델을 생성하고, 이에 대한 예측률을 CART 모델의 예측률과 비교함으로서 SVM 모델을 이용한 운율 정보 예측이 보다 우수함을 보인다.
- K-ToBI 기반의 Break Indices 정보를 운율구의 경계 정보로서 레이블링하였고, 우선적으로 제안한 특징 변수들 중에서 트리 모델을 사용하여 최적의 특징변수들을 추출하였다. 구축한 코퍼스를 토대로 실험한 결과를 통하여 기존의 CART 방법에 비하여 SVM 모델이 운율구 예측을 위한 모델링에 보다 우수한 접근법이라는 것을 입증하였다. 또한, 기존의 향상된 트리 기반 모델을 이용한 운율구 경계 예측에 대한 정확률로서 보고되어 있는 85%에 비해 SVM을 이용한 모델은 약 5% 정도의 향상된 결과를 보였으며, 4단계로 이루어진 경계 정보에 대한 예측률도 80%대의 수치를 보였다.
- 표 3과 표 4에서 알 수 있듯이, 기존의 예측 모델인 CART와 비교하였을 때 본 방법은 경계의 레벨 예측과 유무 예측에서 각각 24%와 11%의 향상된 예측률을 보여주고 있다. 따라서, 문장에서 추출된 여러 언어 정보들을 토대로 운율구의 경계를 예측하는 방법에서 트리 기반 모델에 비해 본 논문에서 제시하고 있는 접근법이 보다 효과적인 접근법임을 입증하고 있다.
- 구축한 코퍼스를 토대로 실험한 결과를 통하여 기존의 CART 방법에 비하여 SVM 모델이 운율구 예측을 위한 모델링에 보다 우수한 접근법이라는 것을 입증하였다. 또한, 기존의 향상된 트리 기반 모델을 이용한 운율구 경계 예측에 대한 정확률로서 보고되어 있는 85%에 비해 SVM을 이용한 모델은 약 5% 정도의 향상된 결과를 보였으며, 4단계로 이루어진 경계 정보에 대한 예측률도 80%대의 수치를 보였다.
- 구축한 코퍼스를 토대로 실험한 결과를 통하여 기존의 CART 방법에 비하여 SVM 모델이 운율구 예측을 위한 모델링에 보다 우수한 접근법이라는 것을 입증하였다. 또한, 기존의 향상된 트리 기반 모델을 이용한 운율구 경계 예측에 대한 정확률로서 보고되어 있는 85%에 비해 SVM을 이용한 모델은 약 5% 정도의 향상된 결과를 보였으며, 4단계로 이루어진 경계 정보에 대한 예측률도 80%대의 수치를 보였다.
- 표 3과 표 4에서 알 수 있듯이, 기존의 예측 모델인 CART와 비교하였을 때 본 방법은 경계의 레벨 예측과 유무 예측에서 각각 24%와 11%의 향상된 예측률을 보여주고 있다. 따라서, 문장에서 추출된 여러 언어 정보들을 토대로 운율구의 경계를 예측하는 방법에서 트리 기반 모델에 비해 본 논문에서 제시하고 있는 접근법이 보다 효과적인 접근법임을 입증하고 있다.
후속연구
- 향후 연구 방향으로는, 우선 SVM 모델을 위한 특징변수를 제시함에 있어 보다 분석적인 접근법이 요구된다. 그리고 K-ToBI를 근간으로 하는 운율의 구성성분에 대한 보다 체계적인 표기법이 꾸준히 연구되어야 할 것이며, 그에 따라 세부적으로 표면화된 운율 정보를 기반으로 하는 전체적인 운율 생성 모델의 연구와 예측 모델에 대한 연구가 병행되어야 할 것이다.
- 향후 연구 방향으로는, 우선 SVM 모델을 위한 특징변수를 제시함에 있어 보다 분석적인 접근법이 요구된다. 그리고 K-ToBI를 근간으로 하는 운율의 구성성분에 대한 보다 체계적인 표기법이 꾸준히 연구되어야 할 것이며, 그에 따라 세부적으로 표면화된 운율 정보를 기반으로 하는 전체적인 운율 생성 모델의 연구와 예측 모델에 대한 연구가 병행되어야 할 것이다.
- 향후 연구 방향으로는, 우선 SVM 모델을 위한 특징변수를 제시함에 있어 보다 분석적인 접근법이 요구된다. 그리고 K-ToBI를 근간으로 하는 운율의 구성성분에 대한 보다 체계적인 표기법이 꾸준히 연구되어야 할 것이며, 그에 따라 세부적으로 표면화된 운율 정보를 기반으로 하는 전체적인 운율 생성 모델의 연구와 예측 모델에 대한 연구가 병행되어야 할 것이다.
- 향후 연구 방향으로는, 우선 SVM 모델을 위한 특징변수를 제시함에 있어 보다 분석적인 접근법이 요구된다. 그리고 K-ToBI를 근간으로 하는 운율의 구성성분에 대한 보다 체계적인 표기법이 꾸준히 연구되어야 할 것이며, 그에 따라 세부적으로 표면화된 운율 정보를 기반으로 하는 전체적인 운율 생성 모델의 연구와 예측 모델에 대한 연구가 병행되어야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.