최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보과학회언어공학연구회 2016년도 제28회 한글 및 한국어 정보처리 학술대회, 2016 Oct. 07, 2016년, pp.217 - 219
정의석 (한국전자통신연구원, 음성처리연구실) , 박전규 (한국전자통신연구원, 음성처리연구실)
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
seq2seq 모델은 어떻게 구성되어 있는가? | 본 연구는 음절 기반 형태소 분석 및 품사 태깅을 위해 seq2seq 주의 집중 모델을 이용한다. seq2seq 모델은 인코더과 디코더로 구성되어 있고, 일반적으로 RNN(recurrent neural network)를 기반으로 한다. 학습 단계에서 음절 시퀀스를 인코더의 입력으로 하고, 각 음절에 해당하는 품사 태깅 시퀀스는 디코더의 출력으로 진행한다. | |
한국어 연속어 음성인식이나 기계번역에서 사용되는 언어모델은 형태소 단위의 단어 분할을 통해 기본 어휘를 결정하는 이유는? | 한국어 연속어 음성인식이나 기계번역에서 사용되는 언어모델은 형태소 단위의 단어 분할을 통해 기본 어휘를 결정한다. 이는 언어모델의 N-gram 희소성 문제에 기인한다. 또한 단어 분할된 어휘들의 시퀀스를 어절 단위로 복원 시킬 때 품사 태깅 기술을 이용하여 접근할 수 있다. | |
seq2seq 모델은 무엇을 기반으로 하는가? | 본 연구는 음절 기반 형태소 분석 및 품사 태깅을 위해 seq2seq 주의 집중 모델을 이용한다. seq2seq 모델은 인코더과 디코더로 구성되어 있고, 일반적으로 RNN(recurrent neural network)를 기반으로 한다. 학습 단계에서 음절 시퀀스를 인코더의 입력으로 하고, 각 음절에 해당하는 품사 태깅 시퀀스는 디코더의 출력으로 진행한다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.