지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이창기
- 발행연도
- 2016
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (9)
2019
2016
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
의미역 결정은 문장의 각 서술어의 의미와 그 논항들의 의미역을 결정하여 “누가, 무엇을, 어떻게, 왜” 등의 의미 관계를 찾아내는 자연어처리의 한 단계이며 정보 추출, 문서 분류, 질의응답 시스템의 중간 과정으로 사용될 수 있다. 의미역 결정 연구는 크게 격틀사전에 기반을 둔 방법과 말뭉치에 기반을 둔 방법으로 나눌 수 있다. 최근 의미역 결정 연구에는 의미역 말뭉치와 기계학습 알고리즘을 이용한 연구가 주를 이루었다. Structural SVM과 같은 기계학습 알고리즘을 이용한 기존의 의미역 결정 연구는 사람이 고안한 자질을 입력으로 받고 반복적인 실험을 통해 입력 자질들의 최적의 가중치를 구한다. 그러나 각 자연어처리 모듈마다 적합한 자질을 설계하고 최적의 자질 조합을 구하는 것은 많은 시간과 노력을 필요로 하는데, 최근 이러한 문제점을 해결하기 위해 자질들을 높은 수준의 표현으로 추상화 시켜줄 수 있는 딥 러닝 기술이 기존 기계학습 알고리즘의 대안으로 떠오르고 있다. 따라서 본 논문에서는 여러 딥 러닝 모델을 한국어 의미역 결정에 적용하여 그 결과를 분석한다.
기존 의미역 결정 연구에서는 의미역 결정의 성능 향상을 위해 구문 분석 정보를 의미역 결정의 자질로 사용하였다. 하지만 구문 분석 정보의 사용은 의미역 결정 이전에 구문 분석을 수행해야 하는 비용이 발생하게 되고, 구문 분석 단계에서 발생하는 오류를 그대로 답습하게 되는 단점을 가지고 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 구문 분석 정보를 제외하여 형태소 분석 정보만을 사용하는 end-to-end 방식의 한국어 의미역 결정 시스템을 제안하고 이를 Bidirectional LSTM-CRF 모델에 적용하여 기존 연구보다 더 높은 성능을 얻을 수 있음을 보인다.
기존 의미역 결정 연구에서는 의미역 결정의 성능 향상을 위해 구문 분석 정보를 의미역 결정의 자질로 사용하였다. 하지만 구문 분석 정보의 사용은 의미역 결정 이전에 구문 분석을 수행해야 하는 비용이 발생하게 되고, 구문 분석 단계에서 발생하는 오류를 그대로 답습하게 되는 단점을 가지고 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 구문 분석 정보를 제외하여 형태소 분석 정보만을 사용하는 end-to-end 방식의 한국어 의미역 결정 시스템을 제안하고 이를 Bidirectional LSTM-CRF 모델에 적용하여 기존 연구보다 더 높은 성능을 얻을 수 있음을 보인다.
목차
1. 서론..........................................................12. 관련 연구.....................................................42.1 한국어 의미역 결정 기존 연구.............................42.2 구문 분석 정보...........................................52.3 딥 러닝..................................................63. 딥 러닝을 이용한 한국어 의미역 결정.........................103.1 한국어 단어 표현과 Dropout..............................103.2 Feed-forward Neural Network.............................133.3 Recurrent Neural Network................................153.4 Long Short-Term Memory RNN...............................173.5 LSTM RNN-CRF..........................................194. End-to-end 한국어 의미역 결정................................204.1 End-to-end 의미역 결정 자질.............................204.2 Bidirectional LSTM-CRF 모델..............................215. 성능 평가.........................................................255.1 실험 데이터 및 환경.....................................255.2 한국어 의미역 결정 실험 결과................................266. 결론.........................................................28참고문헌.........................................................30영문초록.........................................................34
최근 본 자료
댓글(0)
0