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 단위성 의존명사가 동형이의어인 경우 이를 분별을 위해 단어 간의 벡터 유사도를 사용한다. 단어 벡터는 Word2Vec[1]의 Skip-Gram과 Negative Sampling[2]을 사용하여 말뭉치에 등장한 단어들을 50차원의 벡터로 구축한다.
- 본 논문에서는 단위성 의존명사가 동형이의어인 경우 이를 분별을 위해 단어 간의 벡터 유사도를 사용한다. 단어 벡터는 Word2Vec[1]의 Skip-Gram과 Negative Sampling[2]을 사용하여 말뭉치에 등장한 단어들을 50차원의 벡터로 구축한다. 그리고 단위성 의존명사 분별이 필요한 의존명사와 주변에 등장하는 명사들 간의 코사인 유사도(cosine similarity)를 구하여 단위성 의존명사 분별을 한다.
- 단어 벡터는 Word2Vec[1]의 Skip-Gram과 Negative Sampling[2]을 사용하여 말뭉치에 등장한 단어들을 50차원의 벡터로 구축한다. 그리고 단위성 의존명사 분별이 필요한 의존명사와 주변에 등장하는 명사들 간의 코사인 유사도(cosine similarity)를 구하여 단위성 의존명사 분별을 한다.
- 이러한 단어 임베딩의 특성을 이용하여 단위성 의존명사 분별에 사용한다. 단위성 의존명사 분별을 위해 Word2Vec를 사용하여 단어를 벡터로 표현하였다. Word2Vec는 기존 단어 임베딩 방식인 Neural Network Language Model의 느린 학습 속도를 개선한 방법이다.
- 그림 2에서는 본 논문에서 사용한 단위성 의존명사 분별 방법을 나타낸다. 먼저 분별할 문장에서 단위성 의존명사를 포함하는 어절에 가까운 위치에 있는 명사들을 왼쪽과 오른쪽에서 두 개씩 추출한다. 추출한 일반명사들과 분별할 의존명사가 가질 수 있는 단위성 의존명사들을 코사인 유사도를 이용하여 가장 높은 유사도를 가지는 조합을 찾아 단위성 의존명사를 분별한다.
- 먼저 분별할 문장에서 단위성 의존명사를 포함하는 어절에 가까운 위치에 있는 명사들을 왼쪽과 오른쪽에서 두 개씩 추출한다. 추출한 일반명사들과 분별할 의존명사가 가질 수 있는 단위성 의존명사들을 코사인 유사도를 이용하여 가장 높은 유사도를 가지는 조합을 찾아 단위성 의존명사를 분별한다.
- 본 논문에서는 실험을 위해 Word2Vec의 Skip-gram과 Negative Sampling을 사용하여 단어를 벡터로 표현한다. 학습 데이터로는 4,000만 어절로 구성된 말뭉치를 사용하였다.
- 본 논문에서는 단어 임베딩 중에 Word2Vec를 이용하여 단어 벡터를 구축하여 문장에서 분별할 의존명사의 주변에 등장하는 명사들을 이용하여 단위성 의존명사를 분별한다. 기존 모델에서는 단위성 의존명사 앞에 수사나 관형사가 쓰이기 때문에 분별의 어려움이 있었다.
대상 데이터
- 본 논문에서는 실험을 위해 Word2Vec의 Skip-gram과 Negative Sampling을 사용하여 단어를 벡터로 표현한다. 학습 데이터로는 4,000만 어절로 구성된 말뭉치를 사용하였다. 동형이의어 수준으로 총 115,767개의 단어를 벡터로 표현하였다.
- 학습 데이터로는 4,000만 어절로 구성된 말뭉치를 사용하였다. 동형이의어 수준으로 총 115,767개의 단어를 벡터로 표현하였다. 실험을 위해 단어 임베딩에 사용하지 않은 동형이의어 분별이 완료된 89만 문장에서 많이 등장한 단위성 의존명사에 대해 실험한다.
- 동형이의어 수준으로 총 115,767개의 단어를 벡터로 표현하였다. 실험을 위해 단어 임베딩에 사용하지 않은 동형이의어 분별이 완료된 89만 문장에서 많이 등장한 단위성 의존명사에 대해 실험한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.