| 한글제목(Korean Title) |
잠재 구조적 SVM을 확장한 결합 학습 모델 |
| 영문제목(English Title) |
Jointly Learning Model using modified Latent Structural SVM |
| 저자(Author) |
이창기
최성필
정한민
Changki Lee
Sungpil Choi
Hanmin Jung
|
| 원문수록처(Citation) |
VOL 41 NO. 06 PP. 0433 ~ 0439 (2014. 06) |
한글내용
(Korean Abstract) |
자연어처리에서는 띄어쓰기 모듈과 품사 태거 같은 모듈들이 파이프라인 방식으로 연결되어 많이 사용되나, 이 경우 앞 단계의 오류가 뒷 단계에 누적되는 문제가 있다. 본 논문에서는 파이프라인 방식의 문제를 해결하기 위해 사용되는 일반적인 결합 모델을 확장하여, 두 작업이 동시에 태깅된 학습 데이터뿐만 아니라 한 작업만 태깅된 학습데이터도 동시에 학습에 사용할 수 있는 결합 학습 모델을 Latent Structural SVM을 확장하여 제안한다. 실험 결과, 한국어 띄어쓰기와 파이프라인 방식으로 연결된 품사 태깅 성능은 96.77%였고, 기존의 한국어 띄어쓰기와 품사 태깅 결합 모델의 품사 태깅 성능이 96.99%였으나, 본 논문에서 제안하는 결합 학습 모델을 이용하여 대용량의 한국어 띄어쓰기 학습데이터를 추가로 학습한 결과 품사 태깅 성능이 97.20%까지 향상 되었다.
|
영문내용
(English Abstract) |
Typically, a Korean Part-of-speech (POS) tagger takes the inputs that are produced by a separate Korean word spacer. However this pipeline approach has an obvious flaw of error propagation, since the POS tagger cannot correct word spacing errors. In this paper, we describe a jointly learning model for Korean word spacing and POS tagging using modified latent structural SVM to avoid error propagation and improve word spacing by utilizing POS information and additional word spacing training data. In the case of a pipeline approach, we could achieve a 96.77% morpheme-based F-measure for POS tagging. Using the previous joint model, we could achieve a 96.99% morphemebased F-measure for POS tagging. Using the jointly learning model, we could achieve a 97.20% morpheme-based F-measure for POS tagging. Experimental results show that the jointly learning model outperforms the pipeline approach and the previous joint model. |
| 키워드(Keyword) |
결합 학습 모델
Latent Structural SVM
파이프라인
품사 태깅
jointly learning model
latent structural SVM
pipeline
POS tagging
|
| 파일첨부 |
PDF 다운로드
|
