최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보과학회언어공학연구회 2018년도 제30회 한글 및 한국어 정보처리 학술대회, 2018 Oct. 12, 2018년, pp.167 - 171
천민아 (한국해양대학교) , 김창현 (한국전자통신연구원) , 박호민 (한국해양대학교) , 김재훈 (한국해양대학교)
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
개체명(named entity)이란 무엇인가? | 개체명(named entity)은 특정한 개체를 나타내는 정보로써 고유한 의미를 가지는 단어 또는 어구이다. 개체명 인식(named entity recognition)은 주어진 입력 문장에서 개체명에 해당하는 말덩이(chunk)를 찾고, 적합한 범주(label)를 부착하는 작업이다[1]. | |
개체명 인식이란 무엇인가? | 개체명 인식은 문서에서 인명, 지명, 기관명 등의 고유한 의미를 나타내는 단위인 개체명을 추출하고, 추출된 개체명의 범주를 결정하는 작업이다. 최근 개체명 인식과 관련된 연구는 입력 데이터의 앞, 뒤를 고려하기 위한 Bi-RNNs와 출력 데이터 간의 전이 확률을 이용한 CRFs를 결합한 방식을 기반으로 다양한 변형의 심층학습 방법론이 제안되고 있다. | |
Multi-Head Attention 방법 Multi-Head Attention 방법을 적용한 Bi-GRU/CRFs를 이용하여 문자 기반의 입력을 통한 한국어, 일본어, 중국어, 영어의 개체명 인식을 실험한 결과는 어떠한가? | 본 논문에서는 Multi-Head Attention 방법을 적용한 Bi-GRU/CRFs를 이용하여 문자 기반의 입력을 통한 한국어, 일본어, 중국어, 영어의 개체명 인식을 실험하고 그 결과를 살펴봤다. 실험 결과 제안한 모델은 F1 점수를 기준으로 한국어에서 84.84%, 일본어에서 89.56%의 우수한 성능을 보였다. 그러나 영어에서는 76.36%로 평균에 조금 못 미치는 성능을 보였으며, 중국어에서는 21.05%로 매우 저조한 성능을 보였다. 이는 각 언어에 최적화된 모델의 파라미터를 찾지 못했기 때문이라고 생각된다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.