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, 질의...

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.

Semantic Role Labeling (SRL) is a basic step of natural language processing for semantic analysis of natural language text. The task of SRL system is to find “who, what, how, why”in natural language sentences by determining the semantic role label...

Semantic Role Labeling (SRL) is a basic step of natural language processing for semantic analysis of natural language text. The task of SRL system is to find “who, what, how, why”in natural language sentences by determining the semantic role labels of the arguments of the predicates in natural language sentences. Also SRL systems can be used in other natural language processing such as information extraction and question answering systems. SRL studies can be seperable two sides: one is a frame based method, the other is a corpus based method. Recently, the interest of SRL research is focused in corpus based method using machine learning algorithms. However, finding well designed features are expensive and time-consuming. Owing to this problem, Deep learning that models high-level abstractions is getting rised for altenative the existing machine learning algorithm. So, in this , we apply several deep learning models to korean semantic role labeling and analyze their results.
Previous researches use syntactic information for improving the performance of semantic role labeling system. However, syntax analysis cause computational overhead and incorrect syntactic information. To solve this problem, we do not use the syntactic information and we only use the morpheme information. In this , we propose an end-to-end system using Bidirectional LSTM-CRF model. Our experimental results show that our proposed model has a better performance than traditional models.

•   영어 문장구조에 대한 이해가 읽기와 듣

•   한국과 독일의 중등교육단계에서의 진로

•   모야모야 환아의 수술 후 자기효능감,

•  韩国跆拳道运动的文化价值观探讨

•  韩国电影剧本中会话含义的略论探讨

•   깔뱅의 기도론 연구

•  汉韩常用颜色词对比探讨

•   TV 포맷의 새로운 유형화 : 이야기, 놀이

•   高职院校韩语系建设的几点思考

•   도시지역 여성결혼이민자의 재사회화

•   한·중 사동 표현의 대조 연구

•   영어권 학습자를 위한 한국어 교재 구성

•   중국인 학습자를 위한 한국어 거절 화행

•   형태 초점 접근법을 활용한 한국어 대조

•   항공사의 지각된 서비스품질이 실용적