[논문]의미 유사도를 활용한 Distant Supervision 기반의 트리플 생성 성능 향상

윤희근; 최수정; 박성배; 박세영

문제 정의

본 논문에서는 distant supervision 가정에 기반한 트리플 생성 시스템의 성능을 향상 시킬 수 있는 방법을 제안하였다. Distant supervision은 반지도 학습 방식으로 학습 데이터 구축에 드는 비용이 적기 때문에 다양한 도메인에 쉽게 적용할 수 있다.
본 논문에서는 distant supervision 기반의 한국어 트리플 생성 시스템의 성능 향상 방법을 제안한다. Distant supervision 기반에서 성능 향상을 위한 핵심은 시드로 주어진 트리플의 의미를 포함하지 않은 문장에서 생성된 패턴을 잘 제거하는 것이다.
하지만 이 방법의 가정의 한계로 인하여 잘못된 패턴이 생성될 수 있으며, 이는 최종적으로 생성하는 트리플의 품질을 저하시킬 수 있다. 본 논문에서는 오류 패턴으로 인한 성능 저하를 해소하기 위하여 의미 유사도를 활용한 패턴 신뢰도 측정 방법을 제안하였다. 워드임베딩에 기반한 패턴과 프로퍼티 사이의 의미 유사도를 측정함으로써 패턴의 신뢰도를 정확하게 측정할 수 있다.
본 논문에서는 통계 기반 신뢰도 함수의 한계를 극복하기 위하여 패턴과 대상 프로퍼티의 의미 유사도를 직접적으로 측정하여 신뢰도로 사용하는 방법을 제안한다. 앞서 언급한 것처럼 패턴은 문장에서 추출된 어휘의 집합으로 의미를 표현하고 프로퍼티 또한 레이블, 식별자 등의 속성을 통해 의미를 나타낸다.

가설 설정

Distant supervision은 반지도 학습 방법으로, 다음과 같은 가정 하에서 모델을 학습한다. 이 가정은 특정 트리플의 주어와 목적어 객체를 포함하고 있는 문장은 주어진 트리플 프로퍼티의 의미를 표현하고 있다는 것이다. 이로 인해 모델을 학습하고자 하는 프로퍼티의 일부 시드 트리플과 코퍼스만 있으면 별도의 학습 데이터 구축이 없어도 학습이 가능하다.
주어진 지식베이스의 트리플과 코퍼스를 이용하여 새로운 트리플 추출에 사용하기 위한 각 프로퍼티 별 패턴 후보를 학습한다. 이 단계에서는 특정 트리플의 주어와 목적어 개체를 포함하고 있는 문장은 주어진 트리플 프로퍼티의 의미를 표현할 것이라는 distant supervision 가정을 이용하여, 주어진 트리플의 주어와 목적어 객체에 해당하는 문장들을 추출하고, 이 문장들을 이용하여 패턴 후보를 추출한다.
Distant supervision은 적용의 편리성으로 인해 다양한 연구에서 사용되었지만 한 가지 단점이 존재한다. 트리플의 두 객체를 포함하고 있는 문장이 트리플 프로퍼티의 의미를 표현하고 있을 것이라는 가정이 항상 옳지는 않다는 것이다. 예를 들어, 트리플 <글로리아 스튜어트, birthPlace, 캘리포니아 주>이 주어지면 distant supervision 가정에서는 다음의 문장에서 패턴을 추출한다.

제안 방법

이현구 외[5]는 suffix tree와 distant supervision에 기반한 관계 추출 방법을 제안하였다. WOE와 유사하게 의존 관계 트리를 활용하여 관계 추출 규칙을 자동으로 생성하였다. 이 논문에서도 문장을 통해 추출된 규칙의 점수를 빈도에 기반한 통계 값으로 측정하였다.
이를 위하여, 우선 패턴 필터링을 수행하지 않은 상태에서 모든 패턴으로 트리플을 생성한다. 그리고 각각의 신뢰도 측정 함수를 이용하여 모든 패턴의 신뢰도를 측정한 후, 패턴을 신뢰도 값을 기준으로 정렬한다. 이렇게 각각의 신뢰도로 정렬된 패턴들에 대해서, 각 패턴들이 생성한 트리플들을 상위 K 개를 추출한다.
디비피디아와 한국어 위키피디아를 대상으로 총 25,784개의 패턴과 422,733개의 트리플을 생성하였다. 두 방법의 성능 비교를 각 신뢰도 방법으로 측정된 데이터에서 상위 2,000개씩의 트리플을 추출하여, 이들을 대상으로 정확도를 수작업 평가하였다. 그림 5는 Top-K 트리플의 정확도를 보여준다.
[8]이 제안한 정준상관분석에 기반한 이종 언어 워드임베딩 공간 투영 방식을 사용한다. 미리 주어진 동일한 의미를 가진 어휘 쌍들을 이용하여 이들의 상관계수가 높아지게 하는 투영행렬을 학습함으로써 이종 공간의 벡터들을 동일한 공간으로 투영시킨다. 이렇게 구해진 투영 공간에서는 동일한 의미를 가진 이종 언어 벡터들이 비슷한 형태로 나타나기 때문에 다른 언어의 어휘 유사도를 측정할 수 있다.
본 논문에서 제안한 의미 유사도를 활용한 신뢰도 측정 방법의 우수성을 보이기 위하여, 기존 연구에서 사용된 통계 정보 기반의 신뢰도 측정 방법과 비교하였다. 통계 정보 기반의 신뢰도는 프로퍼티별로 각 패턴의 발생 빈도를 사용하였다.
본 논문에서는 그림 1과 같은 과정을 거쳐 패턴 생성, 패턴 필터링, 새로운 트리플 생성 과정을 수행한다. 주어진 지식베이스의 트리플과 코퍼스를 이용하여 새로운 트리플 추출에 사용하기 위한 각 프로퍼티 별 패턴 후보를 학습한다.
디비피디아와 위키피디아 전체 데이터를 이용하여 트리플을 생성할 경우, 그 양이 너무 많아 모든 트리플을 평가하기가 어렵다. 본 논문에서는 두 신뢰도 함수의 성능 비교를 위해서 Top-K 정확도를 측정하였다. 이를 위하여, 우선 패턴 필터링을 수행하지 않은 상태에서 모든 패턴으로 트리플을 생성한다.
일반적으로 문장으로부터 생성된 패턴의 경우, 자연어 어휘로 구성되어 있고 트리플의 프로퍼티 또한 레이블(Label) 또는 식별자(Identifier) 등의 속성을 통해서 사람이 이해 가능한 어휘들로 그 의미를 표현하고 있다. 본 논문에서는 이들을 활용하여 패턴과 대상 프로퍼티와의 의미 유사도를 신뢰도 측정에 사용함으로써 기존의 빈도 기반의 신뢰도 측정보다 더 정확한 신뢰도를 측정한다. 의미 유사도 측정을 위해서 최근 다양한 연구에서 우수한 성능을 보여주는 비지도 학습 방법인 워드임베딩 방법을 채택함으로써 큰 비용을 들이지 않고도 높은 정확도의 의미 유사도를 측정한다.
본 논문에서는 제안한 방법의 성능을 보이기 위하여 3.1의 시스템을 구현하여 패턴 학습 및 트리플 생성을 수행하였다. 시드 지식베이스로 한국어 디비피디아를 이용하였고, 패턴 생성 및 새로운 트리플 생성에 사용할 코퍼스로 한국어 위키피디아를 코퍼스로 사용하였다.
BOA는 주어 객체와 목적어 객체가 포함된 문장에서 두 객체 사이에 존재하는 어휘들을 추출하여 패턴으로 사용하였다. 신뢰도 추출을 위하여 support, typicity 그리고 specicity라는 3가지 통계 값에 기반한 신뢰도 측정 함수를 사용하였다. Wu et al.
시드 지식베이스로 한국어 디비피디아를 이용하였고, 패턴 생성 및 새로운 트리플 생성에 사용할 코퍼스로 한국어 위키피디아를 코퍼스로 사용하였다. 위키피디아의 자연어처리를 위하여 ETRI 언어 분석기를 사용하였다. 표 1은 패턴 및 트리플 생성 실험에 사용된 지식베이스와 코퍼스의 간략한 통계 자료이다.
본 논문에서는 이들을 활용하여 패턴과 대상 프로퍼티와의 의미 유사도를 신뢰도 측정에 사용함으로써 기존의 빈도 기반의 신뢰도 측정보다 더 정확한 신뢰도를 측정한다. 의미 유사도 측정을 위해서 최근 다양한 연구에서 우수한 성능을 보여주는 비지도 학습 방법인 워드임베딩 방법을 채택함으로써 큰 비용을 들이지 않고도 높은 정확도의 의미 유사도를 측정한다.
WOE와 유사하게 의존 관계 트리를 활용하여 관계 추출 규칙을 자동으로 생성하였다. 이 논문에서도 문장을 통해 추출된 규칙의 점수를 빈도에 기반한 통계 값으로 측정하였다.
제안한 방법에서는 한국어 문장에서 패턴을 추출하기 위하여 윤희근 외[6]가 제안한 의존 관계 트리에 기반한 패턴 생성 방식과 유사한 방식을 사용한다. 이 연구에서는 주어와 목적어 어휘 노드들 사이의 패스에 존재하는 술어만을 패턴으로 사용하였으나, 본 논문에서는 두 노드 사이에 존재하는 모든 어휘를 패턴으로 사용한다. 이를 통해 두 객체 사이의 관계를 표현하는 어휘들만을 추출하고, 그 이외의 어휘들은 쉽게 제거할 수 있다.
이렇게 각각의 신뢰도로 정렬된 패턴들에 대해서, 각 패턴들이 생성한 트리플들을 상위 K 개를 추출한다. 이렇게 추출된 트리플들에 대해서 사실 여부를 체크하여 수작업으로 정확도를 측정하였다.
제안한 의미 유사도를 측정하기 위하여 한국어 및 영어 워드임베딩 공간의 학습이 필요하다. 이를 위하여 한국어와 영어 위키피디아를 이용하여 각 언어별 워드임베딩 공간을 학습하였다. 워드임베딩 공간 학습은 오픈 소스인 word2vec[9]를 이용하여 수행하였다.
패턴과 프로퍼티가 두 단어 이상일 경우 이를 분리하는 작업이 필요하다. 이를 위하여 한국어의 경우 띄어쓰기 단위로 구분하였으며, 프로퍼티의 경우는 미리 정의한 단순한 룰에 기반하여 어휘들을 분리하였다.
패턴은 한국어 문장으로부터 생성되기 때문에 한국어로 구성되어 있는 반면 대부분의 프로퍼티들은 영어로 표현되어 있기 때문에, 패턴과 프로퍼티의 워드임베딩 공간은 독립적으로 학습되며 이로 인해 이들의 의미적인 유사도를 직접적으로 측정하기 힘들다. 이를 해결하기 위하여 독립적으로 학습된 워드임베딩 공간들을 정준상관분석(Canonical Correlation Analysis)을 이용하여 동일한 저차원으로 투영함으로써 서로 다른 언어로 구성된 패턴과 프로퍼티의 유사도를 계산할 수 있도록 한다.
하지만 본 논문에서는 이종의 언어로 구성된 패턴과 프로퍼티를 고려하기 때문에 이들 사이의 유사도를 직접적으로 측정할 수 없다. 이를 해결하기 위하여, 독립적으로 학습된 각 워드임베딩 공간을 CCA를 이용하여 공통된 새로운 워드임베딩 공간으로 투영시킴으로써 이 문제를 해결하였다.
워드임베딩은 어휘별로 벡터를 학습하기 때문에 두 단어 이상이 결합된 어휘의 경우 바로 벡터로 표현할 수 없다. 이에 본 논문은 두 개 이상의 어휘로 구성된 패턴과 프로퍼티의 벡터를 구성 요소들의 평균 벡터로 정의하였다. 예를 들어 패턴 p가 n개의 어휘들로 구성되어 p = {pw₁, .
제안한 방법에서는 한국어 문장에서 패턴을 추출하기 위하여 윤희근 외[6]가 제안한 의존 관계 트리에 기반한 패턴 생성 방식과 유사한 방식을 사용한다. 이 연구에서는 주어와 목적어 어휘 노드들 사이의 패스에 존재하는 술어만을 패턴으로 사용하였으나, 본 논문에서는 두 노드 사이에 존재하는 모든 어휘를 패턴으로 사용한다.
본 논문에서는 그림 1과 같은 과정을 거쳐 패턴 생성, 패턴 필터링, 새로운 트리플 생성 과정을 수행한다. 주어진 지식베이스의 트리플과 코퍼스를 이용하여 새로운 트리플 추출에 사용하기 위한 각 프로퍼티 별 패턴 후보를 학습한다. 이 단계에서는 특정 트리플의 주어와 목적어 개체를 포함하고 있는 문장은 주어진 트리플 프로퍼티의 의미를 표현할 것이라는 distant supervision 가정을 이용하여, 주어진 트리플의 주어와 목적어 객체에 해당하는 문장들을 추출하고, 이 문장들을 이용하여 패턴 후보를 추출한다.

대상 데이터

디비피디아와 한국어 위키피디아를 대상으로 총 25,784개의 패턴과 422,733개의 트리플을 생성하였다. 두 방법의 성능 비교를 각 신뢰도 방법으로 측정된 데이터에서 상위 2,000개씩의 트리플을 추출하여, 이들을 대상으로 정확도를 수작업 평가하였다.
1의 시스템을 구현하여 패턴 학습 및 트리플 생성을 수행하였다. 시드 지식베이스로 한국어 디비피디아를 이용하였고, 패턴 생성 및 새로운 트리플 생성에 사용할 코퍼스로 한국어 위키피디아를 코퍼스로 사용하였다. 위키피디아의 자연어처리를 위하여 ETRI 언어 분석기를 사용하였다.

데이터처리

본 논문에서 제안한 의미 유사도를 활용한 신뢰도 측정 방법의 우수성을 보이기 위하여, 기존 연구에서 사용된 통계 정보 기반의 신뢰도 측정 방법과 비교하였다. 통계 정보 기반의 신뢰도는 프로퍼티별로 각 패턴의 발생 빈도를 사용하였다. 신뢰도 측정 이외에 패턴 생성 및 트리플 생성 과정은 모두 동일하게 수행하였다.

이론/모형

본 논문에서는 이 문제를 해결하기 위해 Faruqui et al.[8]이 제안한 정준상관분석에 기반한 이종 언어 워드임베딩 공간 투영 방식을 사용한다. 미리 주어진 동일한 의미를 가진 어휘 쌍들을 이용하여 이들의 상관계수가 높아지게 하는 투영행렬을 학습함으로써 이종 공간의 벡터들을 동일한 공간으로 투영시킨다.
패턴은 대상 프로퍼티의 의미를 잘 나타낼 수 있어야하기 때문에, 위의 예와 같이 대상 프로퍼티의 의미를 나타내지 못하는 오류 패턴은 제거되어야 한다. 오류 패턴을 제거하기 위하여 기존의 연구에서는 빈도 또는 프로퍼티와 공기하는 통계 정보를 활용한 신뢰도 측정 방식을 사용하였다[3,4,5]. 하지만 통계 정보는 대상 프로퍼티와 패턴 사이의 관계성을 간접적으로 추론하는 것일 뿐, 신뢰도 측정에 고려되어야 할 패턴과 프로퍼티의 의미적인 관계성을 측정하지는 못한다.
이를 위하여 한국어와 영어 위키피디아를 이용하여 각 언어별 워드임베딩 공간을 학습하였다. 워드임베딩 공간 학습은 오픈 소스인 word2vec[9]를 이용하여 수행하였다. 두 언어 워드임베딩의 정렬을 위하여 초기에 주어질 동일 의미 어휘쌍은 Faruqui et al.

성능/효과

디비피디아와 위키피디아를 사용하여 수행한 실험 결과에 따르면 기존에 많이 사용되는 통계 기반 신뢰도 측정 방법보다 본 논문에서 제안하는 의미 유사도 기반의 신뢰도 측정법이 더 정확한 트리플 생성에 기여함을 확인하였다. 각 신뢰도 값에 따라 상위 2,000개의 트리플을 평가한 결과, 통계 기반 방법보다 제안한 방법이 더 우수한 성능을 보여주었다.
그림 5는 Top-K 트리플의 정확도를 보여준다. 그래프에 따르면 제안한 방법이 빈도 기반의 신뢰도 측정 방법에 비하여, Top-200을 제외하고 모든 구간에서 약 10% 정도의 성능 차이를 보여주었다. 최종적으로 상위 2,000개의 트리플을 추출하였을 때, 본 논문에서 제안한 방법은 약 71%의 정확도를 보여주는데 반해, 빈도에 기반한 신뢰도 측정 방법은 약 62%의 성능을 보여주어 9%의 성능 차를 보여주었다.
디비피디아와 위키피디아를 사용하여 수행한 실험 결과에 따르면 기존에 많이 사용되는 통계 기반 신뢰도 측정 방법보다 본 논문에서 제안하는 의미 유사도 기반의 신뢰도 측정법이 더 정확한 트리플 생성에 기여함을 확인하였다. 각 신뢰도 값에 따라 상위 2,000개의 트리플을 평가한 결과, 통계 기반 방법보다 제안한 방법이 더 우수한 성능을 보여주었다.
실험 결과에 따르면 워드임베딩에 기반한 유사도 측정에 한계가 있음에도 불구하고 더 정확한 트리플을 생성하는데 큰 기여를 함을 볼 수 있었다. 이를 통해 패턴의 신뢰도 측정에 패턴과 프로퍼티의 직접적인 의미 유사도를 반영하는 것이 통계 기반의 간적접인 측정 방법에 비해 더 적합함을 알 수 있다.
실험 결과에 따르면, 제안한 의미 유사도 기반의 패턴 신뢰도 측정 방법은 기존에 많은 연구에서 사용된 통계기반의 신뢰도 측정 방법에 비하여 트리플 생성 정확도 향상에 크게 도움이 됨을 보였다. 패턴의 신뢰도 기준으로 상위 2,000개의 트리플 정확도를 비교 하였을 때 본 논문에서 제안한 신뢰도 측정 방법이 통계 기반의 방법보다 9% 높은 정확도를 보였다.
실험 결과에 따르면 워드임베딩에 기반한 유사도 측정에 한계가 있음에도 불구하고 더 정확한 트리플을 생성하는데 큰 기여를 함을 볼 수 있었다. 이를 통해 패턴의 신뢰도 측정에 패턴과 프로퍼티의 직접적인 의미 유사도를 반영하는 것이 통계 기반의 간적접인 측정 방법에 비해 더 적합함을 알 수 있다.
그래프에 따르면 제안한 방법이 빈도 기반의 신뢰도 측정 방법에 비하여, Top-200을 제외하고 모든 구간에서 약 10% 정도의 성능 차이를 보여주었다. 최종적으로 상위 2,000개의 트리플을 추출하였을 때, 본 논문에서 제안한 방법은 약 71%의 정확도를 보여주는데 반해, 빈도에 기반한 신뢰도 측정 방법은 약 62%의 성능을 보여주어 9%의 성능 차를 보여주었다.
실험 결과에 따르면, 제안한 의미 유사도 기반의 패턴 신뢰도 측정 방법은 기존에 많은 연구에서 사용된 통계기반의 신뢰도 측정 방법에 비하여 트리플 생성 정확도 향상에 크게 도움이 됨을 보였다. 패턴의 신뢰도 기준으로 상위 2,000개의 트리플 정확도를 비교 하였을 때 본 논문에서 제안한 신뢰도 측정 방법이 통계 기반의 방법보다 9% 높은 정확도를 보였다.

후속연구

향후 연구에서는 좀 더 정확한 의미 유사도 측정 방법이 필요할 것으로 생각된다. 본 논문에서 사용한 워드임 베딩 방식은 비지도 학습 방식으로 손쉽게 적용할 수 있다는 장점이 있지만, 여전히 완벽한 의미 유사도를 측정하지는 못한다. 실제 실험에서도 이런 오류들이 성능 저하를 유발함을 확인하였다.
실제 실험에서도 이런 오류들이 성능 저하를 유발함을 확인하였다. 이를 해결하기 위하여 차후 연구로는 의미 유사도를 더 정확하게 측정할 수 있는 모델을 연구함으로써 패턴의 신뢰도를 더 정확하게 측정하고, 이를 통해 생성 트리플의 정확도를 더 향상 시킬 수 있는 방법을 연구할 예정이다.
향후 연구에서는 좀 더 정확한 의미 유사도 측정 방법이 필요할 것으로 생각된다. 본 논문에서 사용한 워드임 베딩 방식은 비지도 학습 방식으로 손쉽게 적용할 수 있다는 장점이 있지만, 여전히 완벽한 의미 유사도를 측정하지는 못한다.

핵심어	질문	논문에서 추출한 답변
	현재 인터넷의 대부분을 차지하고 있는 정보들은 어떤 언어로 표현되어 있는가?	이런 정보들은 다양한 웹 서비스를 통해 사용자에게 제공된다. 현재 인터넷의 대부분을 차지하고 있는 정보들은 비구조 자연어로 표현되어 있다. 자연어로 표현된 문서들은 일반 사용자들에게 매우 일반적으로 보편적인 표현법이다.
	구조화된 데이터 생성에 드는 비용 문제 해소를 위해 어떤 연구가 이루어지고 있는가?	구조화된 데이터 생성에 드는 비용 문제를 해소하기 위하여 자동으로 구조화된 데이터를 생성하는 지도, 반지도 학습 방식의 다양한 연구가 이루어지고 있다. 일반적인 자연어 문장으로부터 <주어, 프로퍼티, 목적어> 트리플 형태의 데이터를 추출하고 이를 이용하여 기존 지식베이스를 확장한다.
	최근 비구조 표현으로 구축된 정보를 구조화하여 컴퓨터가 계산 가능한 형태로 구축하여 제공하는 서비스로는 어떤 것이 있는가?	최근에 비구조 표현으로 구축된 정보를 구조화하여 컴퓨터가 계산 가능한 형태로 구축하여 제공하는 서비스가 늘어나고 있다. Wikidata, DBpedia, YAGO 등 다양한 지식베이스가 구조화된 데이터를 제공하고 있다. 하지만 구조화된 데이터를 생성하는 일은 매우 큰 비용을 요구하는 일이기 때문에 인터넷에 있는 방대한 비구조 자료에 비하면 그 양이 매우 적다.

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

의미 유사도를 활용한 Distant Supervision 기반의 트리플 생성 성능 향상
Improving The Performance of Triple Generation Based on Distant Supervision By Using Semantic Similarity 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

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

의미 유사도를 활용한 Distant Supervision 기반의 트리플 생성 성능 향상 Improving The Performance of Triple Generation Based on Distant Supervision By Using Semantic Similarity 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

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

의미 유사도를 활용한 Distant Supervision 기반의 트리플 생성 성능 향상
Improving The Performance of Triple Generation Based on Distant Supervision By Using Semantic Similarity 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper