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.
문제 정의
- 위 결과로 미루어 볼 때, 컨텍스트가 충분히 주어지지 않고 문자 시퀀스만 가지고 상호명을 분류해 내야 하는 어플리케이션 시나리오에서 딥러닝 모델이 효과적으로 사용될 수 있음을 확인하였다. 다음 절에서는 위 결과를 토대로 실제 검색 로그에서 미등록 상호명 추출 실험을 진행하여 그 효용성을 검증하고자 한다.
- 본 논문에서는 로컬 검색서비스의 로그를 사용하여 상호명 후보 및 특정 맛집 관련 키워드를 추출함에 있어 상기 서술한 문제점에 구애 받지 않고 상호명을 판별해낼 수 있는 문자 기반의 딥러닝 모델을 제안한다. 일반적인 언어 처리 목적으로 개발되는 딥러닝 모델의 경우 기본적인 정보 처리 단위는 단어이다.
- 본 절에서는 키워드가 주어졌을 때, 해당 키워드가 일반 및 상호명 클래스 각각에 속할 확률 값을 반환하는 딥러닝 모델의 구성 방식을 설명한다. 본 논문에서는 시퀀스 모델링에 적합한 LSTM과 최근 자연어처리에서 활용도가 높아지고 있는 CNN모델 두 종류를 바탕으로 구성하였다. 각 모델 구조에 대한 상세 설명은 아래에 기술한다.
- 본 논문에서는 양방향 LSTM과 컨볼루션 신경망을 이용하여 문자 수준에서 추출된 키워드 특징 벡터를 획득하고, 이를 분류 모델에 적용하여 위치기반 서비스 검색 로그 로부터 기존에 파악되지 않은 상호명 및 관련 키워드를 유연하게 추출할 수 있는 신경망 모델을 제안하였다. 자체 구축한 데이터셋으로 평가한 결과, 제안한 딥러닝 모델이 기존 비교 모델 대비 우수한 학습 성능을 보였다.
- 개체명 (Named Entity)이란 인명(Person), 지명(Location), 기관명(Organization) 등 문서 내에서 나타나는 고유한 명사를 일컬으며, 개체명 인식은 (Named Entity Recognition) 문서에서 이러한 개체명을 추출하고 분류하는 작업을 일컫는다 [1, 2]. 본 절에서는 딥러닝 모델을 사용한 개체명 인식 연구 사례 및 문자 단위 CNN을 사용한 텍스트 처리 연구를 소개한다.
- 또한, 구축한 데이터셋을 바탕으로 딥러닝 모델을 미리 학습시킨 후 실제 사용자들의 위치기반 서비스 일일 검색로그에서 상호명 후보 키워드를 추출하는 실험을 진행하였다. 이를 통해 사용자의 검색 행위로부터 능동적으로 상호명을 수집할 수 있는 가능성을 확인하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.