초록

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

대화형 개인 비서 시스템은 사람의 음성을 통해 인식된 음성 인식 결과를 분석하여 사용자에게 제공할 정보가 무엇인지 파악한 후, 정보가 포함되어 있는 앱(app)을 실행시켜 사용자가 원하는 정보를 제공하는 시스템이다. 이러한 대화형 개인 비서 시스템의 가장 중요한 모듈 중 하나는 음성 대화 인식 모듈(SLU: Spoken Language Understanding)이며, 발화의 "의미 분석"을 수행하는 모듈이다. 본 논문은 음성 인식결과가 잘못되어 의미 분석이 실패하는 것을 방지하기 위하여 음성 인식 결과에서 잘못 인식된 명사, 개체명 단어를 보정 시켜주는 미등록어(OOV:Out-of-vocabulary) 처리 모듈을 제안한다. 제안하는 미등록어 처리 모듈은 미등록어 탐색 모듈과 미등록어 변환 모듈로 구성되며, 미등록어 탐색 모듈을 통해 사용자의 발화에서 미등록어를 분류하고, 미등록어 변환 모듈을 통해 미등록어를 사전에 존재하는 유사한 단어로 변환하는 방법을 제안한다. 제안한 방법을 적용하였을 때의 실험 결과, 전체 미등록어 중 최대 52.5%가 올바르게 수정되었으며, 음성 인식 결과를 그대로 사용했을 경우 "원본 문장"과 문장 단위 67.6%의 일치율을 보인 것에 반해 미등록어 처리 모듈을 적용했을 때 17.4% 개선된 최대 85%의 문장 단위 일치율을 보였다.

대화형 개인 비서 시스템은 사람의 음성을 통해 인식된 음성 인식 결과를 분석하여 사용자에게 제공할 정보가 무엇인지 파악한 후, 정보가 포함되어 있는 앱(app)을 실행시켜 사용자가 원하는 정보를 제공하는 시스템이다. 이러한 대화형 개인 비서 시스템의 가장 중요한 모듈 중 하나는 음성 대화 인식 모듈(SLU: Spoken Language Understanding)이며, 발화의 "의미 분석"을 수행하는 모듈이다. 본 논문은 음성 인식결과가 잘못되어 의미 분석이 실패하는 것을 방지하기 위하여 음성 인식 결과에서 잘못 인식된 명사, 개체명 단어를 보정 시켜주는 미등록어(OOV:Out-of-vocabulary) 처리 모듈을 제안한다. 제안하는 미등록어 처리 모듈은 미등록어 탐색 모듈과 미등록어 변환 모듈로 구성되며, 미등록어 탐색 모듈을 통해 사용자의 발화에서 미등록어를 분류하고, 미등록어 변환 모듈을 통해 미등록어를 사전에 존재하는 유사한 단어로 변환하는 방법을 제안한다. 제안한 방법을 적용하였을 때의 실험 결과, 전체 미등록어 중 최대 52.5%가 올바르게 수정되었으며, 음성 인식 결과를 그대로 사용했을 경우 "원본 문장"과 문장 단위 67.6%의 일치율을 보인 것에 반해 미등록어 처리 모듈을 적용했을 때 17.4% 개선된 최대 85%의 문장 단위 일치율을 보였다.

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 대화형 개인 비서 시스템에서 가장 중요한 모듈 중 하나인 음성 대화 인식 모듈의 성능을 개선시킴과 동시에 전처리 작업으로 음성 인식 결과를 사용하는 다양한 연구에서 음성 인식 결과의 오류가 전파되는 문제를 해결하기 위해 음성 인식 결과를 보정하는 빠르고 효율적인 미등록어 처리 모듈을 제안했다. 우리가 제안한 미등록어 처리 모듈은 2개의 세부 모듈(미등록어 탐색 모듈, 미등록어 변환 모듈)로 구성되며 미등록어 탐색 모듈을 통해 미등록어를 분류하고, 미등록어 변환 모듈을 통해 미등록어가 바르게 수정되는 방법 보였다.
• 대화형 개인 비서 시스템은 음성 인식 외에 음성 대화 인식 모듈과 같은 여러 모듈이 결합되기 때문에 미등록어 문제를 해결하는 속도가 빨라야 하며, 구글 음성 인식기를 이용하기 때문에 기존의 신뢰도 기반의 미등록어 처리를 할 수 없는 이유로 미등록어 문제를 해결하기 위한 단순하고 효율적인 방법이 새롭게 요구된다. 본 논문에서는 이를 충족하기 위한 새로운 방법으로 음성 인식 결과 중 가장 오류가 많은 명사, 개체명의 오류를 수정하는 빠르고 효율적인 미등록어 처리 모듈을 제안한다. 본 논문에서 제안하는 미등록어 처리 모듈은 2개의 세부 모듈로 구성된다.

제안 방법

• 그림 1에서 보는 바와 같이 음성 인식 결과에서 잘못 인식된 미등록어(명사, 개체명)를 수정하기 위한 미등록어 처리 모듈을 제안하며 이 모듈은 크게 2개의 세부 모듈로 구성된다.
• 추출한 데이터를 구글 음성 인식기를 이용해 음성 인식 된 발화를 구축했으며, 이와 같은 방법으로 구축된 발화를 실험데이터로 사용했다. 또한 문장 안에서의 미등록어 후보는 대화형 개인 비서 시스템의 데이터를 구축하는 전문가가 태깅을 수행했다. 우리는 성능 평가를 위해 5-fold cross validation[14]을 이용했다.
• 본 논문에서는 이를 충족하기 위한 새로운 방법으로 음성 인식 결과 중 가장 오류가 많은 명사, 개체명의 오류를 수정하는 빠르고 효율적인 미등록어 처리 모듈을 제안한다. 본 논문에서 제안하는 미등록어 처리 모듈은 2개의 세부 모듈로 구성된다. 먼저 미등록어 탐색 모듈은 기계 학습 중 하나인 조건부 랜덤 필드(CRF:Conditional Random Fields)를 이용하여 사용자 발화에서 미등록어 후보를 분류하고, 사전을 활용하여 미등록어 후보들 중에서 최종적으로 미등록어를 분류하는 모듈이다[6].
• 실험결과는 크게 4가지로 분류하여 평가했다.
• 전체 미등록어 개선율은 전체 미등록어들 중에서 얼마나 많은 미등록어가 미등록어 처리 모듈을 통해서 올바르게 수정되었는지에 대한 성능이다. 우리는 미등록어 변환 모듈은 2가지 방법(국제 음성 기호, 단어의 각 음절별 초성, 중성, 종성 분리)을 이용했으며, 각 성능은 [표 3]과 같다.
• 미등록어 변환 모듈은 단어 간의 유사도를 계산해 미등록어를 사전에 존재하는 단어로 변환해 주는 모듈이다. 우리는 음성 인식 결과를 개선하기 위해 2가지의 서로 다른 유사도 계산 방법을 제안한다.
• 또한 미등록어 변환 모듈은 미등록어를 기존의 사전에 존재하는 가장 유사한 단어로 변환하는 모듈이다. 즉, 우리는 발화에서 미등록어를 추출하고, 단어 간의 국제 음성 기호(IPA) 유사도와 단어 안의 각 음절의 초성, 중성, 종성 유사도를 편집거리 방법으로 각각 계산하여 미등록어를 수정하는 방법을 제안한다.
• 미등록어 처리 모듈을 위한 데이터는 이전 연구에서 문장으로 구성된 대화형 개인 비서 시스템 데이터[2] 안에서 교통 도메인에 대한 데이터 207개 문장을 추출했다. 추출한 데이터를 구글 음성 인식기를 이용해 음성 인식 된 발화를 구축했으며, 이와 같은 방법으로 구축된 발화를 실험데이터로 사용했다. 또한 문장 안에서의 미등록어 후보는 대화형 개인 비서 시스템의 데이터를 구축하는 전문가가 태깅을 수행했다.

대상 데이터

• 미등록어 처리 모듈을 위한 데이터는 이전 연구에서 문장으로 구성된 대화형 개인 비서 시스템 데이터[2] 안에서 교통 도메인에 대한 데이터 207개 문장을 추출했다. 추출한 데이터를 구글 음성 인식기를 이용해 음성 인식 된 발화를 구축했으며, 이와 같은 방법으로 구축된 발화를 실험데이터로 사용했다.

이론/모형

• 단어 간 유사도 계산을 위한 첫 번째 방법은 국제 음성 기호를 중심으로 편집 거리 유사도를 계산하는 방법이다. 각 단어의 발음열은 국립국어원의 표준 발음 변환기를 이용하여 구축했다. [그림 4]는 단어가 발음열로 변환되는 예를 보여준다.
• 또한 문장 안에서의 미등록어 후보는 대화형 개인 비서 시스템의 데이터를 구축하는 전문가가 태깅을 수행했다. 우리는 성능 평가를 위해 5-fold cross validation[14]을 이용했다.

성능/효과

• 우리가 제안한 미등록어 처리 모듈은 2개의 세부 모듈(미등록어 탐색 모듈, 미등록어 변환 모듈)로 구성되며 미등록어 탐색 모듈을 통해 미등록어를 분류하고, 미등록어 변환 모듈을 통해 미등록어가 바르게 수정되는 방법 보였다. 교통 도메인 데이터를 이용하여 실험한 결과, 음성 인식 결과를 그대로 사용한 방법에 비해 우리가 제안한 방법이 전체 미등록어 중 최대 52.2%의 미등록어 개선율을 보였다. 또한 “원본 문장”과 비교하여, 미등록어 처리 모듈을 적용했을 때의 결과가 음성 인식 결과를 그대로 사용했을 경우 보다 최대 문장 단위 17.
• 또한 “원본 문장”과 비교하여, 미등록어 처리 모듈을 적용했을 때의 결과가 음성 인식 결과를 그대로 사용했을 경우 보다 최대 문장 단위 17.4%의 개선된 일치율을 보였다.
• 실험 결과, 미등록어 후보(개체명, 명사)를 높은 확률로 분류한 것을 확인 할 수 있었다.
• 본 논문에서는 대화형 개인 비서 시스템에서 가장 중요한 모듈 중 하나인 음성 대화 인식 모듈의 성능을 개선시킴과 동시에 전처리 작업으로 음성 인식 결과를 사용하는 다양한 연구에서 음성 인식 결과의 오류가 전파되는 문제를 해결하기 위해 음성 인식 결과를 보정하는 빠르고 효율적인 미등록어 처리 모듈을 제안했다. 우리가 제안한 미등록어 처리 모듈은 2개의 세부 모듈(미등록어 탐색 모듈, 미등록어 변환 모듈)로 구성되며 미등록어 탐색 모듈을 통해 미등록어를 분류하고, 미등록어 변환 모듈을 통해 미등록어가 바르게 수정되는 방법 보였다. 교통 도메인 데이터를 이용하여 실험한 결과, 음성 인식 결과를 그대로 사용한 방법에 비해 우리가 제안한 방법이 전체 미등록어 중 최대 52.
• 원본 문장과 비교하여 음성 인식 그대로의 결과는 문장 단위 67.6%가 같았으며, 제안하는 모듈을 적용한 결과 최대 85%까지 원본 문장과 같아짐을 확인 할 수 있었다.
• 음성 인식 결과를 그대로 사용했을 경우와 비교해 국제 음성 기호 방법은 전체 미등록어 중 52.2%가 올바르게 수정 되었으며, 음절 별 초성, 중성, 종성 분리 방법은 41.7%가 올바르게 수정되어, 우리가 제안하는 방법이 효율적인 방법임을 알 수 있었다.

후속연구

• 향후 연구로는 국제 음성 기호(IPA)를 이용한 편집거리 유사도 방법이 단어의 각 음절 별 초성, 중성, 종성을 분리하여 이용한 편집거리 유사도 방법보다 더 효율적임을 알게 되었기 때문에 국제 음성 기호(IPA)를 사용하여 편집거리 유사도를 계산할 때 각 발음 기호 간의 밀접성을 분석하여, 가중치를 더 효율적으로 주는 방법을 연구할 것이다. 또한 길이가 일정치 않는 발음열에 대해서 길이를 가장 효율적으로 일치시켜 분석하는 방법에 대해 연구 할 것이다.
• 향후 연구로는 국제 음성 기호(IPA)를 이용한 편집거리 유사도 방법이 단어의 각 음절 별 초성, 중성, 종성을 분리하여 이용한 편집거리 유사도 방법보다 더 효율적임을 알게 되었기 때문에 국제 음성 기호(IPA)를 사용하여 편집거리 유사도를 계산할 때 각 발음 기호 간의 밀접성을 분석하여, 가중치를 더 효율적으로 주는 방법을 연구할 것이다. 또한 길이가 일정치 않는 발음열에 대해서 길이를 가장 효율적으로 일치시켜 분석하는 방법에 대해 연구 할 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
대화형 개인 비서 시스템	대화형 개인 비서 시스템이란?	하지만, 최근에는 정보를 제공하는 앱(app)의 종류가 다양해지면서 정보가 기하급수적으로 늘어남에 따라 원하는 정보를 손쉽게 찾는 것이 어려워졌다. 대화형 개인 비서 시스템은 인간에게 가장 편리한 인터페이스 중 하나인 음성 인식을 이용, 분석하여 사용자가 원하는 정보를 파악하고, 기존의 양질의 앱들을 통합, 활용하여 사용자에게 필요한 다양한 정보를 제공하는 시스템이다. 이러한 대화형 개인 비서 시스템의 중요한 모듈 중 하나는 음성 대화 인식 모듈(SLU:Spoken Language Understanding)이다[1].
음성 대화 인식 모듈	음성 대화 인식 모듈이란?	이러한 대화형 개인 비서 시스템의 중요한 모듈 중 하나는 음성 대화 인식 모듈(SLU:Spoken Language Understanding)이다[1]. 음성 대화 인식 모듈은 사용자의 음성 인식 결과를 분석하여 사용자가 원하는 정보가 무엇인지를 파악하는 “의미 분석” 모듈이다. 대화형 개인 비서 시스템의 음성 대화 인식 모듈은 모바일의 특성상 기존의 음성 대화 인식 모듈에 비해 더 자세한 분석이 요구된다[2].
미등록어	미등록어 문제를 해결하기 위한 연구들의 방법들의 문제점은?	현재 음성 인식에서 가장 많은 오류를 유발하는 요인 중 하나인 미등록어(OOV:Out-of-vocabulary) 문제를 해결하기 위해 다양한 방법으로 연구가 진행되고 있다[3][4][5]. 하지만, 기존의 방법들은 독자적인 음성 인식기가 필요하며 또한 수많은 외부데이터와 자원을 필요로 하는 문제가 있다. 대화형 개인 비서 시스템은 음성 인식 외에 음성 대화 인식 모듈과 같은 여러 모듈이 결합되기 때문에 미등록어 문제를 해결하는 속도가 빨라야 하며, 구글 음성 인식기를 이용하기 때문에 기존의 신뢰도 기반의 미등록어 처리를 할 수 없는 이유로 미등록어 문제를 해결하기 위한 단순하고 효율적인 방법이 새롭게 요구된다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기