정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
의료 조언을 위한 질문 의도 인식: 학습 데이터 구축 및 의도 분류 |
| 영문제목(English Title) |
Query Intent Detection for Medical Advice: Training Data Construction and Intent Classification |
| 저자(Author) |
이태훈
김영민
정은지
나선옥
Tae-Hoon Lee
Young-Min Kim
Eunji Jeong
Seon-Ok Na
|
| 원문수록처(Citation) |
VOL 48 NO. 08 PP. 0878 ~ 0884 (2021. 08) |
한글내용
(Korean Abstract) |
대부분의 과업 지향 대화 시스템에서는 의도 인식과 개체명 인식이 선행되어야 한다. 본 연구에서는 의료 조언이라는 신규 분야에 대한 대화 시스템 구축을 위해 사용자 질문의 의도를 인식하는 문제를 다룬다. 최종 목적에 해당하는 의료 조언을 위해 필요한 의도 카테고리를 정의하는 것에서부터 학습데이터 수집 및 구축, 레이블링을 위한 가이드라인을 상술한다. 질문 의도 인식을 위해 BERT 기반의 분류 모델을 사용했으며 한국어 처리를 위해 변형된 KorBERT도 적용한다. 딥러닝 기반의 모델이 본 연구에서 구축한 중규모의 학습 데이터에서도 좋은 성능을 보이는 것을 검증하기 위해 일반적으로 많이 쓰이는 SVM도 비교 모델로 활용하였다. 실험 결과 8개의 의도 카테고리에 대한 f1 점수가 SVM, BERT, KorBERT에서 각기 69%, 78%, 84% 였으며 향후 데이터 보강을 통해 최종 성능을 높일 예정이다. |
영문내용
(English Abstract) |
In most task-oriented dialogue systems, intent detection and named entity recognition need to precede. This paper deals with the query intent detection to construct a dialogue system for medical advice. We start from the appropriate intent categories for the final goal. We also describe in detail the data collection, training data construction, and the guidelines for the manual annotation. BERT-based classification model has been used for query intent detection. KorBERT, a Korean version of BERT has been also tested for detection. To verify that the DNN-based models outperform the traditional machine learning methods even for a mid-sized dataset, we also tested SVM, which produces a good result in general for such dataset. The F1 scores of SVM, BERT, and KorBERT are 69%, 78%, and 84% respectively. For future work, we will try to increase intent detection performance through dataset improvement. |
| 키워드(Keyword) |
질문 의도 인식
의료 조언
레이블링 가이드라인
과업 지향 대화 시스템
query intent detection
medical advice
guidelines for labeling
task-oriented dialogue system
|
| 파일첨부 |
PDF 다운로드
|
