정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document : 8 / 17
이전건
다음건 
| 한글제목(Korean Title) |
Bidirectional GRU-CRF 기반의 한국어 개체명 인식을 위한 어휘 사전 자질 적용 네트워크 토폴로지 연구 |
| 영문제목(English Title) |
Research on the Various Neural Network Topologies for Korean NER based on Bidirectional GRU-CRF applying Lexicon Features |
| 저자(Author) |
김선우
최성필
Seon-Wu Kim
Sung-Pil Choi
|
| 원문수록처(Citation) |
VOL 25 NO. 02 PP. 0099 ~ 0105 (2019. 02) |
한글내용
(Korean Abstract) |
개체명 인식은 문헌 내에 표현된 개체명을 식별하는 과정으로, 개체명 간의 관계를 통한 정보추출 과정에 선행되어야 하는 중요 과정이다. 최근 심층학습 기술을 개체명 인식에도 적용하는 연구가 활발히 이뤄지고 있으며, 개체명 사전 정보를 모델 외부에서 추가적으로 활용하여 개체명 인식에 대한 성능향상이 이뤄지고 있다. 그러나 개체명 사전이라는 주요 자질 정보를 심층학습 모델 내부에 적용하는 방식에 대한 연구는 찾아보기 어렵다. 이에 본 논문은 개체명 사전 정보를 심층학습 모델에 적용하는 방법론을 총 4가지로 구성하고, 이에 따라 토폴로지를 각각 구성하고 비교분석하여 가장 적합한 개체명 사전 정보 적용 심층학습 토폴로지를 도출한다. 2016년 국어정보처리대회의 개체명 인식 코퍼스를 활용한 실험결과, 합산 적용 토폴로지가 80.22%의 F1 점수를 보이며, 가장 높은 성능을 나타내었다. 이는 개체명 사전 정보를 적용하지 않은 모델에 비해 약 1.5% 높은 성능이며, 후처리 적용 방법에 비해 0.9% 높은 성능이다.
|
영문내용
(English Abstract) |
Named entity recognition is a process that identifies named entity expressed in a document. It is an important process that must be preceded by the process of extracting information through relationships between entities. Recently, studies have been actively done to apply the deep-learning technology to named entity recognition. The performance of the named entity recognition was improved by using the lexicon information outside the model. Nevertheless, it is difficult to find a method to apply the main feature information that is known as the lexicon to the deep-learning model. In this study, we constructed four methodologies in which we can apply the lexicon information to the deep-learning model. The study also constructs the topology, and compares and analyzes each methodology to derive the best in deep-learning topology through the application of the lexicon information. Experiments using the named entity recognition corpus of the Korean Language Information Processing Conference in 2016. The lexicon information for the input sentence was configured as a binary vector and input form as input to the CRF (conditional random field) before inputting into CRF. The topology showed the highest performance with a score of 80.22% F1. This is about 1.5% higher performance than the model without the lexicon information. Moreover, it is generally 0.9% higher than the method of applying the lexicon in post-processing.
|
| 키워드(Keyword) |
개체명 인식
정보 추출
텍스트 마이닝
자연어 처리
심층학습
NER(Named Entity Recognition)
information extraction
text mining
NLP(Natural Language Processing)
deep-learning
|
| 파일첨부 |
PDF 다운로드
|
