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
- 본 논문에서는 문법적 오류 중 띄어쓰기 오류를 포함하는 한국어 문장을 대상으로 분류 모델을 적용할 때 강건한 수준의 성능을 확보할 수 있는 문장 압축 기반 학습 방식을 제안하였다. 더불어 인터넷 상에 공개된 한국어 영화 리뷰 코퍼스와 텍스트 분류 과업에서 표준 모델링 방식으로 인정되는 Yoon[3]의 모델링 방법을 채택하여 되도록 객관적인 성능 검증을 진행하고자 하였다.
- 본 논문에서는 문법적 오류 중 띄어쓰기 오류를 포함하는 한국어 문장을 대상으로 분류 모델을 적용할 때 강건한 수준의 성능을 확보할 수 있는 문장 압축 기반 학습 방식을 제안하였다. 더불어 인터넷 상에 공개된 한국어 영화 리뷰 코퍼스와 텍스트 분류 과업에서 표준 모델링 방식으로 인정되는 Yoon[3]의 모델링 방법을 채택하여 되도록 객관적인 성능 검증을 진행하고자 하였다.
- 기존에 한국어 문장에 포함된 철자 혹은 띄어쓰기 오류 등의 수정에 대한 연구들[1][2]은 있었으나 이러한 문법적 오류를 포함하는 문장을 분류하는 모델의 성능 문제에 대한 연구는 아직 많지 않은 상황이다. 본 연구는 이러한 한국어 문장 수준에서 자주 발생하는 문법적 오류 중 띄어쓰기 오류에 강건한 분류 성능을 보이는 문장 압축 기반 학습 방식을 제안한다. 즉 분류 모델로 하여금 원본 문장의 모든 공백을 제거한 압축된 형태의 문자열을 추가로 학습하게 함으로써 다양한 수준에서 발생하는 한국어 문장 띄어쓰기 오류에 대처하도록 한다.
- 그러나 이러한 기존 조합들 중 분류 대상 문장이 문법적 오류를 포함하고 있는 경우에 대한 모델링 수준의 대응 방안을 제공하는 연구는 많지 않다. 본 연구에서는 음절 단위 임베딩 벡터 표현과 CNN 모델의 조합에 문장 압축 기반 학습 방식을 적용해 띄어쓰기 오류를 포함하는 한국어 문장을 대상으로 분류성능을 평가한다.
- 실험 결과만으로 일반화 시킬 수는 없겠으나 제안한 문장 압축 기반 학습 방식이 다양한 수준의 한국어 문장띄어쓰기 오류 현상에 대해 강건한 성능을 유지할 수 있음을 입증했다. 이를 위해 본 연구에서는 입력 문장 자질 생성 방식 자체에 집중하고자 하였다. 추가적인 분류성능의 향상이 필요할 경우 입력 자질의 보충이나 모델의 네트워크 구조 및 인자 최적화 등의 작업이 별도로 요구된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.