$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Stack LSTM 기반 한국어 의존 파싱을 위한 음절과 형태소의 결합 단어 표상 방법

Improving Stack LSTMs by Combining Syllables and Morphemes for Korean Dependency Parsing

한국어정보학회 2016년도 제28회 한글및한국어정보처리학술대회, 2016 Oct. 07, 2016년, pp.9 - 13  

나승훈 (전북대학교) ,  신종훈 (한국전자통신연구원) ,  김강일 (건국대학교)

초록
AI-Helper 아이콘AI-Helper

Stack LSTM기반 의존 파싱은 전이 기반 파싱에서 스택과 버퍼의 내용을 Stack LSTM으로 인코딩하여 이들을 조합하여 파서 상태 벡터(parser state representation)를 유도해 낸후 다음 전이 액션을 결정하는 방식이다. Stack LSTM기반 의존 파싱에서는 버퍼 초기화를 위해 단어 표상 (word representation) 방식이 중요한데, 한국어와 같이 형태적으로 복잡한 언어 (morphologically rich language)의 경우에는 무수히 많은 단어가 파생될 수 있어 이들 언어에 대해 단어 임베딩 벡터를 직접적으로 얻는 방식에는 한계가 있다. 본 논문에서는 Stack LSTM 을 한국어 의존 파싱에 적용하기 위해 음절-태그과 형태소의 표상들을 결합 (hybrid)하여 단어 표상을 얻어내는 합성 방법을 제안한다. Sejong 테스트셋에서 실험 결과, 제안 단어표상 방법은 음절-태그 및 형태소를 이용한 방법을 더욱 개선시켜 UAS 93.65% (Rigid평가셋에서는 90.44%)의 우수한 성능을 보여주었다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 딥 러닝은 기본 자질 (raw features)로부터 여러 단계에서 걸쳐 복잡한 자질을 합성해 내는 표상 학습 (representation learning) 방법이다 [1]. 딥 러닝이 지향하는 표상 학습은 전통적인 기계 학습 방법과 구분되는 측면으로, 기존의 기계 학습에서는 별도의 자질 추출 (feature extraction) 단계를 통해 정교한 자질들을 직접 정의하지만, 표상 학습에서는 기본 자질로부터 복잡하고 정교한 자질까지 자동으로 학습하는 것을 목적으로 한다. 딥 러닝은 딥 아키텍처상의 모델을 효과적으로 학습할 수 있는 레이어 별 (layer-wise) 학습 방법 [2]이 제안된 이래, 컴퓨터비전, 음성인식 등에서 성능을 크게 높이기 시작하면서 다양한 영역으로 확대되고 있다.
  • 본 논문에서는 Stack LSTM기반 한국어 의존 파싱을 위해 음절-태그, 형태소를 결합하는 단어 표상 방법을 제안하였다. 실험 결과, 제안 방법은 두 유형의 Sejong데이터셋에서 최고의 UAS성능을 달성하였다.
  • 본 논문에서는 Stack LSTM기반의 한국어 의존 파싱을 위해 음절-태그와 형태소 정보로부터 얻은 표상들을 결합하여 최종적으로 단어 표상을 얻어내는 방법을 제안한다. 음절-태그는 음절과 음절 태그로 구성된 단위를, 형태소는 형태소의 표층정보와 형태소 태그로 구성된 단위를 가리킨다.
  • 본 논문에서는 음절-태그와 형태소-태그 기반 단어 표상을 조합하는 방법을 제안한다. 그림 4는 제안 단어 표상을 얻는 과정을 보여주고 있다.
  • 본 연구는 [15]에 더 나아가 기존의 음절-태그와 형태소에 기반한 표상들을 결합하는 방법을 제안한다. 추가로, [15]에서는 형태소의 경우 형태소 임베딩 벡터를 랜덤하게 초기화시킨 결과만을 제시하였으나, 본 연구에서는 추가로 대용량의 코퍼스로부터 사전학습된 임베딩 벡터로 초기화시켜 기존 방법의 성능을 더욱 개선시켰다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Stack LSTM기반 의존 파싱은 어떻게 이루어 지는가? Stack LSTM기반 의존 파싱은 전이 기반 파싱에서 스택과 버퍼의 내용을 Stack LSTM으로 인코딩하여 이들을 조합하여 파서 상태 벡터(parser state representation)를 유도해 낸후 다음 전이 액션을 결정하는 방식이다. Stack LSTM기반 의존 파싱에서는 버퍼 초기화를 위해 단어 표상 (word representation) 방식이 중요한데, 한국어와 같이 형태적으로 복잡한 언어 (morphologically rich language)의 경우에는 무수히 많은 단어가 파생될 수 있어 이들 언어에 대해 단어 임베딩 벡터를 직접적으로 얻는 방식에는 한계가 있다.
Stack LSTM기반 의존 파싱의 한계는 무엇인가? Stack LSTM기반 의존 파싱은 전이 기반 파싱에서 스택과 버퍼의 내용을 Stack LSTM으로 인코딩하여 이들을 조합하여 파서 상태 벡터(parser state representation)를 유도해 낸후 다음 전이 액션을 결정하는 방식이다. Stack LSTM기반 의존 파싱에서는 버퍼 초기화를 위해 단어 표상 (word representation) 방식이 중요한데, 한국어와 같이 형태적으로 복잡한 언어 (morphologically rich language)의 경우에는 무수히 많은 단어가 파생될 수 있어 이들 언어에 대해 단어 임베딩 벡터를 직접적으로 얻는 방식에는 한계가 있다. 본 논문에서는 Stack LSTM 을 한국어 의존 파싱에 적용하기 위해 음절-태그과 형태소의 표상들을 결합 (hybrid)하여 단어 표상을 얻어내는 합성 방법을 제안한다.
문자 처리 단위인 음절-태그와 형태소 단위에 대하여 설명하시오 음절-태그 단위란 음절 정보과 음절의 품사 태그로 구성된 정보를, 형태소 단위는 형태소 표층 정보과 형태소의 품사 태그로 구성된 정보이다. 예를 들어 “도서관에서” 단어에 대해 각각 음절-태그열과 형태소 열을 추출하면 다음과 같다.
질의응답 정보가 도움이 되었나요?
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트