[논문]동사 정보를 활용한 의미 관계 추출을 위한패턴 구축

김세종; 이용훈; 이종혁

동사 정보를 활용한 의미 관계 추출을 위한패턴 구축
Pattern Construction for Semantic Relation Extraction using Verb Information 원문보기

한국정보과학회언어공학연구회 2008년도 제20회 한글 및 한국어 정보처리 학술대회, 2008 Oct. 10, 2008년, pp.118 - 123

김세종 (포항공과대학교 전자컴퓨터공학부 컴퓨터공학과) , 이용훈 (포항공과대학교 전자컴퓨터공학부 컴퓨터공학과) , 이종혁 (포항공과대학교 전자컴퓨터공학부 컴퓨터공학과)

초록
AI-Helper

온톨로지란 실세계에 존재하는 사물 및 개념, 그리고 용어들 간의 관계들을 컴퓨터가 이해할 수 있는 형태로 표현한 것이다. 온톨로지 구축에 있어서 대용량 코퍼스의 활용은 해당코퍼스에서 등장하는 용어들과 이들 사이에서 나타나는 문자열을 일종의 패턴으로 취급하여 특정 패턴과 함께 나타나는 용어 쌍들을 해당 패턴이 대표하는 의미 관계로 설정하는 방식을 취한다. 그러나 기존의 방법은 주로 두 용어들 사이에서 나타나는 문자열만을 고려하여 패턴을 추출하기 때문에 해당 문장에 포함된 보다 다양한 문장 정보들을 활용할 수 없다. 본 논문은 이러한 한계점을 감안하여, 용어 쌍 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려함으로써 패턴의 정교성을 향상시키는 방법을 제안한다. 또한 동사들의 동의어를 활용하여 다양한 용어들을 포괄할 수 있는 일반화된 패턴을 구축한다. 본 방법론은 is-a 관계의 경우 64%, part-of 관계의 경우 83%, made-of 관계의 경우 73%, use 관계의 경우 72%의 정확률을 보였으며 모두 기존 방법보다 향상된 결과를 가져왔다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문은 용어 쌍 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시키는 방법을 제안하였고, 각각의 의미 관계에 대해서 안정적인 성능 향상을 가져왔다. 또한 패턴에 포함된 동사들의 동의어 정보를 사용하여 다양한 용어들을 포괄할 수 있는 일반화된 패턴을 구축하고자 하였다.
즉 패턴에 포함되어 있지 않은 주변 동사와 용어들 간의 의존도, 용어 자체의 의미 제약 정보, “X of Y” 와 같은 다양한 의미 관계가 나타날 수 있는 패턴들을 재분류할 수 있는 주변 문자열 정보 등을 활용할 수 없는 것이다. 물론 일부 연구에서는 이러한 정보들을 부분적으로 고려하여 수작업으로 작성한 패턴들을 사용한 바 있으나 본 논문에서는 동사 정보를 활용한 자동화된 방법을 제안하고자 한다. 본 방법은 용어들 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시켰기 때문에 보다 향상된 정확률(precision)을 기대할 수 있다.
본 논문에서는 동사의 이러한 역할에 초점을 맞춰 기존 패턴의 범위를 용어 쌍의 이전·이후에 나타나는 동사도 함께 고려할 수 있도록 확장하였다.
본 논문은 용어 쌍 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시키는 방법을 제안하였고, 각각의 의미 관계에 대해서 안정적인 성능 향상을 가져왔다. 또한 패턴에 포함된 동사들의 동의어 정보를 사용하여 다양한 용어들을 포괄할 수 있는 일반화된 패턴을 구축하고자 하였다.

제안 방법

본 방법은 용어들 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시켰기 때문에 보다 향상된 정확률(precision)을 기대할 수 있다. 또한 패턴에 포함된 동사들의 동의어를 사용하여 패턴의 일반화를 수행하였고 이를 통해 다양한 용어들을 포괄할 수 있는 패턴들을 구축할 수 있도록 하였다.
본 논문은 영문 위키피디아에서 추출한 총 947,625개의 문장들로 이루어진 코퍼스를 사용하며[11], 각 문장에는 스탠포드 태거를 사용한 품사 정보가 부착되어있다[12]. 용어로 인식할 명사들은 워드넷 3.0에 포함된 모든 명사를 대상으로 적용하였고 최장 명사구를 우선 선택하도록 하였다. 원활한 실험을 위해 모든 용어 쌍에 대한 패턴들을 코퍼스로부터 미리 추출하여 빈도수가 10이 넘는 패턴에 대해서만 실험을 수행하였다.
0에 포함된 모든 명사를 대상으로 적용하였고 최장 명사구를 우선 선택하도록 하였다. 원활한 실험을 위해 모든 용어 쌍에 대한 패턴들을 코퍼스로부터 미리 추출하여 빈도수가 10이 넘는 패턴에 대해서만 실험을 수행하였다. 실험에서 평가한 의미관계는 is-a, part-of, made-of, use 관계로서, 각 관계에 대하여 Espresso 알고리즘을 적용한 방법과 본 논문에서 제시한 동사를 포함한 패턴을 활용한 방법(모델 A), 그리고 동사 동의어를 통해 일반화한 패턴을 추가적으로 적용한 방법(모델 B)을 비교 실험하였다.
표 3은 각 관계를 추출하기 위해 사용한 일부 seed들을 기록한 것으로서, 각 관계별로 10 개의 seed들을 수집하여 이를 통해 최적의 패턴을 2개 선택하고 본 패턴을 사용하여 신뢰도가 높은 10개의 용어 쌍을 추출한다. 이러한 과정을 총 10회 수행하면서 각 과정에서 추출한 용어 쌍들을 모아 그 정확률을 측정한다. 보다 정확한 성능 평가를 위해서는 신뢰도의 경계값을 설정하여 이를 만족하는 동안 각 과정을 반복 수행해야하나 해당 경계값을 설정하기 위한 평가 자원이 미구축되어 있고 반복 수행 자체에 소모되는 시간 및 자원이 비교적 크므로 본 횟수를 10회로 한정하기로 한다.
이러한 한계점을 개선하기 위해 본 논문에서는 용어 쌍 이전·이후에 나타나는 동사만을 고려하는 것 이외에도, 각 패턴에 포함된 동사들의 동의어를 워드넷으로부터 추출하여 유사 패턴들을 하나로 묶는 작업을 수행하였다.
이러한 한계점을 개선하기 위해 본 논문에서는 용어 쌍 이전·이후에 나타나는 동사만을 고려하는 것 이외에도, 각 패턴에 포함된 동사들의 동의어를 워드넷으로부터 추출하여 유사 패턴들을 하나로 묶는 작업을 수행하였다. 즉 동의어로 판단된 동사에 단일 아이디(Synset ID)를 부여하여 더욱 일반화된 패턴을 구축하였다[10]. 표 2는 동사 동의어를 고려하여 일반화한 패턴들을 나타낸다.
하지만 기존의 식은 log 안의 분모가 분자보다 항상 크거나 같기 때문에 위 정의를 만족할 수 없으므로 본 논문에서는 식 5와 같이 보완한 pmi 를 제안한다. 보완된 pmi 는 이후 비교 실험의 각각의 모델에 동일하게 적용한다.

대상 데이터

본 논문은 영문 위키피디아에서 추출한 총 947,625개의 문장들로 이루어진 코퍼스를 사용하며[11], 각 문장에는 스탠포드 태거를 사용한 품사 정보가 부착되어있다[12]. 용어로 인식할 명사들은 워드넷 3.

데이터처리

원활한 실험을 위해 모든 용어 쌍에 대한 패턴들을 코퍼스로부터 미리 추출하여 빈도수가 10이 넘는 패턴에 대해서만 실험을 수행하였다. 실험에서 평가한 의미관계는 is-a, part-of, made-of, use 관계로서, 각 관계에 대하여 Espresso 알고리즘을 적용한 방법과 본 논문에서 제시한 동사를 포함한 패턴을 활용한 방법(모델 A), 그리고 동사 동의어를 통해 일반화한 패턴을 추가적으로 적용한 방법(모델 B)을 비교 실험하였다.

이론/모형

본 논문은 패턴의 형태를 제외하고 Espresso의 알고리즘을 따른다. Espresso에서 제안한 식들 중 용어 쌍과 패턴 간의 연관성을 나타내는 pmi 는 mutual information의 정의에 의해 음수가 될 수 없다.

성능/효과

모델 B는 made-of 관계와 use 관계에 대해서만 각각 38%와 5% 향상된 73%의 정확률과 70%의 정확률을 보였다. 동사의 동의어를 고려하여 패턴을 일반화할 경우 한정된 동사와 동사 이외의 정보에 비교적 의존적인 is-a 관계 및 part-of 관계는 기존 방법보다 성능이 향상되지 않거나 오히려 감소하는 결과를 가져왔다. 이러한 사실은 패턴을 정교하게 하거나 일반화하는 작업을 의미 관계의 종류에 따라 다르게 적용할 필요가 있음을 알려준다.
모델 B는 made-of 관계와 use 관계에 대해서만 각각 38%와 5% 향상된 73%의 정확률과 70%의 정확률을 보였다. 동사의 동의어를 고려하여 패턴을 일반화할 경우 한정된 동사와 동사 이외의 정보에 비교적 의존적인 is-a 관계 및 part-of 관계는 기존 방법보다 성능이 향상되지 않거나 오히려 감소하는 결과를 가져왔다.
실험 결과를 살펴보면, 모델 A의 경우 is-a 관계는 기존 방법보다 3% 향상된 64%의 정확률을, part-of 관계는 9% 향상된 83%의 정확률을, made-of 관계는 35% 향상된 70%의 정확률을, use 관계는 7% 향상된 72%의 정확률을 보였다. 특히 made-of 관계에 대해서 큰 성능 향상을 보였는데 이는 기존 방법을 통해 추출한 패턴이 해당 관계를 표현하는데 충분한 정보를 포함하고 있지 못해서 지속적인 정확률 하락을 가져왔기 때문이라고 할 수 있겠다.

후속연구

물론 일부 연구에서는 이러한 정보들을 부분적으로 고려하여 수작업으로 작성한 패턴들을 사용한 바 있으나 본 논문에서는 동사 정보를 활용한 자동화된 방법을 제안하고자 한다. 본 방법은 용어들 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시켰기 때문에 보다 향상된 정확률(precision)을 기대할 수 있다. 또한 패턴에 포함된 동사들의 동의어를 사용하여 패턴의 일반화를 수행하였고 이를 통해 다양한 용어들을 포괄할 수 있는 패턴들을 구축할 수 있도록 하였다.
하지만 일반화를 통해 발생한 정확률의 하락은 패턴의 정교함과 보편성에 대한 보다 깊은 연구가 요구됨을 시사해 주었다. 이후 연구에서는 의미 관계에 따라 패턴 구축의 기준을 차별화하고 이러한 패턴을 만족하는 용어 쌍들을 가능한 한 많이 추출하여 재현율(recall)에 대한 기여도를 함께 평가해보아야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	온톨로지는 무엇인가?	온톨로지란 실세계에 존재하는 사물 및 개념, 그리고 용어들 간의 관계들을 컴퓨터가 이해할 수 있는 형태로 표현한 것이다. 온톨로지는 다양한 분야에서 활용될 수 있으며 시맨틱웹이나 지능화된 검색서비스 등이 대표적인 활용 예라고 할 수 있겠다.
	온톨로지 구축에서 대용량 코퍼스를 활용하기 위해 해당 코퍼스에서 등장하는 용어들과 이들 사이 등장하는 문자열을 일종의 패턴으로 취급해 특정 패턴과 함께 나타나는 용어 쌍들을 해당 패턴이 대표하는 의미 관계로 설정하는 단계를 시행함에 있어서 본 논문에서 제안한 동사 정보를 활용한 자동화된 방법은 어떤 이점을 지닐 것이라 기대되는가?	물론 일부 연구에서는 이러한 정보들을 부분적으로 고려하여 수작업으로 작성한 패턴들을 사용한 바 있으나 본 논문에서는 동사 정보를 활용한 자동화된 방법을 제안하고자 한다. 본 방법은 용어들 사이에서 나타나는 문자열과 주변 동사 정보를 함께 고려하여 패턴의 정교성을 향상시켰기 때문에 보다 향상된 정확률(precision)을 기대할 수 있다. 또한 패턴에 포함된 동사들의 동의어를 사용하여 패턴의 일반화를 수행하였고 이를 통해 다양한 용어들을 포괄할 수 있는 패턴들을 구축할 수 있도록 하였다.
	온톨로지의 구축 방법을 대별하면 무엇으로 나뉘는가?	온톨로지는 다양한 분야에서 활용될 수 있으며 시맨틱웹이나 지능화된 검색서비스 등이 대표적인 활용 예라고 할 수 있겠다. 온톨로지의 구축 방법은 크게 두 가지로 분류되며 하나는 기존 온톨로지 및 시소러스를 통합하여 큰 규모의 통합 온톨로지를 구축하는 방법이고, 다른 하나는 대용량 코퍼스를 분석하여 자동/반자동으로 온톨로지를 구축하는 방법이다. 특히 대용량 코퍼스를 사용하여 온톨로지를 구축하는 방법은 기존의 온톨로지 자원들을 결합하는 것이 아닌 새로운 온톨로지 자원을 개발 및 확보할 수 있다는 장점을 가지고 있다[1,2].

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

동사 정보를 활용한 의미 관계 추출을 위한패턴 구축
Pattern Construction for Semantic Relation Extraction using Verb Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

동사 정보를 활용한 의미 관계 추출을 위한패턴 구축 Pattern Construction for Semantic Relation Extraction using Verb Information 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

동사 정보를 활용한 의미 관계 추출을 위한패턴 구축
Pattern Construction for Semantic Relation Extraction using Verb Information 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper