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.
제안 방법
- 본 논문에서는 입력된 문장에 대해서 SVM에 기반하여 어절 간의 지배소-피지배소 관계에 대해 학습된 지역 모델과 한 문장에 있는 어절 간의 지배소-피지배소를 이용하여 전체 문장에 대한 구조에 대해 학습된 전역 모델을 이용한다.
- 본 논문에서는 전역 정보와 지역 정보를 이용하여 각각 통계 모델을 학습하고 지역 정보 모델을 이용하여 beam search 알고리즘의 효율성을 높이고 이 과정을 반복하여 생성된 문장 구조 후보에 대해 전역 모델을 이용하여 주어진 문장에 대해 최종적으로 문장의 구조 및 격 레이블을 분석한다.
- 앞에서 언급한 의존 관계 규칙은 이미 널리 알려진 규칙이며 본 논문에서는 의존 관계 유무 뿐 아니라 격 관계까지 파악하기 때문에 이중 주어/목적어를 금지하여 1개의 동사가 2개 이상의 주어나 목적어를 가지는 문장 구조의 경우 [그림3]과 같이 배제하도록 하였다.
- 전역 정보를 이용한 모델과 지역 의존 정보를 이용한 학습 모델을 각각 구성하기 위해서는 아래와 같이 문맥 자질 집합을 따로 적용하여 학습 모델을 구축한다. 중복되어 사용되는 문맥 자질도 있으나 전역 정보에서 적합한 자질과 지역 의존 정보에 적합한 자질을 분리하여 각각 최적의 학습 모델이 구축될 수 있도록 하였다.
- 제안한 방법은 한국어 문장의 구조와 격 레이블을 분석하기 위한 것이다. 전역 정보와 지역 정보를 적절히 사용하여 전역 정보에서 발생하는 속도 지연 문제와 지역 정보에서 발생할 수 있는 국지적 오류를 극복하기 위해서 전역 및 지역 정보 단위로 학습 모델을 분리하여 최상의 레이블된 문장 구조를 탐색하는 방법을 제안하였다.
- 제안한 의존 구문 분석 방법의 평가를 위해 문장의 의존 관계 및 레이블 분석 정확도를 평가 척도로 사용하였다. 제안하는 방법의 타당성을 확인하기 위해서 실험은 지역 정보 모델을 이용한 실험, 전역 정보 모델을 이용한 실험, 제안하는 의존 관계 및 문장 단위 학습 모델을 같이 사용하는 실험으로 나누어 진행하였고 각각 뉴스 문장과 지식 DB 사업의 장문을 사용했다.
- 제안하는 알고리즘에 따라 ‘나는 밥을 먹고 동생은 학교에 갔다’라는 문장을 후방 탐색하며 어절에 대해 모든 가능한 의존 관계 쌍을 생성하고 생성된 관계 쌍을 어절 단위 학습 모델을 이용하여 레이블과 점수(score)를 얻는다.
- 제안한 방법은 한국어 문장의 구조와 격 레이블을 분석하기 위한 것이다. 전역 정보와 지역 정보를 적절히 사용하여 전역 정보에서 발생하는 속도 지연 문제와 지역 정보에서 발생할 수 있는 국지적 오류를 극복하기 위해서 전역 및 지역 정보 단위로 학습 모델을 분리하여 최상의 레이블된 문장 구조를 탐색하는 방법을 제안하였다.
- 전역 정보를 이용한 모델과 지역 의존 정보를 이용한 학습 모델을 각각 구성하기 위해서는 아래와 같이 문맥 자질 집합을 따로 적용하여 학습 모델을 구축한다. 중복되어 사용되는 문맥 자질도 있으나 전역 정보에서 적합한 자질과 지역 의존 정보에 적합한 자질을 분리하여 각각 최적의 학습 모델이 구축될 수 있도록 하였다. 사용된 문맥 자질은 [표1]과 같다.
- 지역 모델을 이용한 실험은 최상의 점수를 갖는 1개의 관계 만을 선택할 경우 국지적 오류의 위험성이 있어서 상황에 따라 점수의 평균값을 이용하거나 n개의 후보를 선택하는 방법을 사용하였고 문장에 대한 점수는 각 관계간의 점수를 합한 형태로 정하였다.
대상 데이터
- 본 논문의 내용을 평가 하기 위해서 지식 DB 사업에서 구축한 의존 관계 태깅된 10만여 문장 중에서 1만 문장을 학습 문장으로 사용하고 258문장을 실험 집합으로 사용하였으며 지식 DB 사업의 결과물이 문장 구조 분석이라는 관점에서 난이도가 높기 때문에 일반 뉴스 기사 103 문장에 대해서도 실험을 하였다. 실험 문장의 평균 어절 수는 각각 21.
데이터처리
- 제안한 의존 구문 분석 방법의 평가를 위해 문장의 의존 관계 및 레이블 분석 정확도를 평가 척도로 사용하였다. 제안하는 방법의 타당성을 확인하기 위해서 실험은 지역 정보 모델을 이용한 실험, 전역 정보 모델을 이용한 실험, 제안하는 의존 관계 및 문장 단위 학습 모델을 같이 사용하는 실험으로 나누어 진행하였고 각각 뉴스 문장과 지식 DB 사업의 장문을 사용했다.
이론/모형
- 본 논문에서는 다음 수식과 같이 margin-rescaling[20] 방법을 사용하였다.
- 본 논문에서는 통계 모델로는 FSMO(fixed-threshold sequential minimal optimization)을 적용한 structural SVM 모델[20]을 사용하였다. Structural SVM은 기존의 SVM을 확장하여 multi-classification 뿐만 아니라 sequence labeling 등에 적용할 수 있다[21].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.