잠재 구조적 SVM을 확장한 결합 학습 모델

초록

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.

키워드