KR100278095B1 - 원문의복잡도에따라융통성을갖는기계번역시스템 - Google Patents

Abstract

본 발명은 원문으로부터 다른 언어로의 번역문을 생성시키는 기계번역(machine translation) 시스템에 관한 것으로서, 보다 상세하게는 기계 번역의 과정에 있어서 원문 문서의 복잡도에 따라 그 원문이 요구하는 분석 수준에 따라서 다양한 번역 방식 즉, 형태소 분석, 구문 분석, 의미소 분석 등을 융통성 있게 실행하기 위하여, 다양한 수준의 분석 변환을 하는 분석(analysis) 모듈(10,20,30)과, 상기 분석 모듈들이 출력하는 변환 문서를 평가하는 평가자(evaluator)와, 상기 분석 모듈에 대응하며 상기 평가자를 포함하는 생성(generator) 모듈(50,60,70) 그리고 상기 평가자가 변환 문서를 받아들일 수 없을 때에 상기 분석 모듈로 피드백 되는 정보를 저장하는 번역 메모리(40)로 이루어지는 기계번역 시스템에 관한 것이다.

Description

원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템{MACHINE TRANSLATION SYSTEM HAWING AN ADAPTABILITY ACCORDING TO THE COMPLEXITY OF DOCUMENTS}

본 발명은 원문으로부터 다른 언어로의 번역문을 생성시키는 기계번역(machine translation) 시스템에 관한 것으로서, 보다 상세하게는 기계 번역의 과정에 있어서 원문 문서의 복잡도에 따라 그 원문이 요구하는 분석 수준에 따라서 다양한 번역 방식을 융통성 있게 실행하는 기계번역 시스템에 관한 것이다.

문서를 자동으로 번역하기 위한 노력은 컴퓨터가 개발된 1940 년대부터 본격적으로 시작되었다. 그러나 GAT(Georgetown Automatic Translation), TAUM (Traduction Automatic de l'Universite de Montreal)과 같은 초기의 기계 번역 시스템들은 그 번역의 질이 기대에 크게 못 미쳤기 때문에 기계 번역 전반에 관한 연구가 상당히 위축되었다.

그러나 컴퓨터 성능의 발달과 언어장벽으로 인한 정보의 차단 문제가 대두되면서 다시 관심을 갖게 되었으며, 80 년대의 인공지능과 전산언어학 분야의 이론적 발전으로 기계 번역 분야도 발전되었다.

이제, 종래의 기계 번역 방식을 첨부한 도면 1a, 1b, 1c를 참조하여 설명하면 다음과 같다. 각각의 도면이 표시하는 기계 번역 방식은, 문서의 분석 정도에 따라 직접 방식(direct method), 변환 방식(transfer method), 그리고 피봇 방식(pivot method)을 도시하고 있다.

도 1a는 직접 방식으로서, 원시 언어(source language)와 목적 언어(target language) 사이의 직접적인 대응으로 번역이 이루어진다. 그러므로 정교하게 구축된 사전정보와 어휘분석(lexical analysis)을 통해 대역어가 선정되고, 목표 언어의 어순 결정에 필요한 정보를 위한 최소한의 분석만이 이루어진다. 이 방법은 기계번역의 초기의 방법으로 언어 표현이 비슷한 동족어에서는 실용성이 있으나 그 외 언어들간의 번역에는 적합하지 못하다.

도 1b는 변환 방식으로서, 가장 널리 사용되어 온 방식이다. 이것은, 원시언어와 목적 언어 각각에 대해 "중간 표현"(즉, 2 가지 형태의 중간표현)을 정의하고, 분석, 변환, 생성 단계를 통해 번역이 이루어지는 방식이다. 대표적인 것으로는 유럽연합의 EUROTRA 와, 일본의 Mu-시스템 등이 있다.

상기 분석 단계에서는, 목적언어와 독립적으로 원시언어를 분석하고 원문을 중간표현으로 대응시킨다. 변환 단계에서는, 원시언어와 목적언어 사이의 어휘적 차이 및 구조적 차이를 해소하여 원시언어에 대한 중간표현을 목적언어의 생성에 적합한 중간 표현으로 대응시킨다. 생성 단계에서는, 목표 언어에 대한 중간 표현으로부터 번역문을 생성한다. 이 때는 어휘 정보를 위한 어휘변환 사전과 문법정보로서 원시언어와 목적언어 사이의 구조적 차이를 해소하기 위한 "변환 규칙"들이 필요하다.

이 변환 방식은, 분석 단계와 생성 단계에서 독립성이 유지되므로 직접 방식에서처럼 두 언어 중 하나가 바뀔 경우에 전체 시스템을 다시 구축할 필요가 없다는 점에서 유리하지만, 대상 언어들 간의 모든 변환을 포함하는 규칙들을 찾아서 일일이 대응할 경우 번역 효율이 낮으며, 특히 특정 발화 상황이나 문맥에 맞는 변환 규칙들을 모두 정의하기는 어렵다는 단점이 있다.

도 1c는 피봇 방식(혹은 interlingual 방식)으로서, 대표적인 것으로는 colgate 대학의 TRANSLATOR 와, 일본 NEC 사의 PIVOT 등이 있다. 이것은, 원시언어와 목적언어에 대해 하나의 "중립 표현"을 정의하여 크게 분석 단계와 생성 단계의 2 단계를 거쳐 번역이 이루어지는 방식이다.

상기 분석 단계에서는 원문을 중립표현으로 바꾸고, 생성 단계에서는 그 중립표현으로부터 번역문을 생성한다. 이 때는 분석과 생성을 위한 2 종류의 사전과 문법만 있으면 되므로 가장 이상적인 기계 번역 방식이라고 할 수 있다. 그러나 범언어적인 중립표현의 설정은 쉬운 일이 아니며, 변환 방식보다 더 깊은 수준의 분석과 생성이 이루어져야 한다.

위에서 살펴본 기계 번역 방식들 각각은 원문의 모든 문장에 대해서 같은 수준의 분석을 하도록 되어있다. 그러나 문장들 가운데는 깊은 분석 없이 번역될 수 있는 하나 혹은 2 개의 단어로 이루어진 간단한 문장들도 있을 것이다. 이들에 대해서 모든 문장에서와 같은 정도의 분석을 한다는 것은 무의미한 일이 될 수도 있다.

일반적으로 번역 과정은 원문의 완전한 이해(complete understanding)를 가정하지 않고 있다. 어떤 경우에는 일단의 번역틀(a set of translation templates)만으로도 번역이 충분하기도 하다. 예를 들면, "주식"에 관한 뉴스 기사는 특정의 용어들과 문장 형식만을 사용한다. 만약 그와 같은 번역과정이 실패할 경우에만 해당문서의 심층 구조(the deeper level of document architecture)가 분석되어 번역되도록 하면 된다.

최근의 90 년대에 들어서 발표된 방법들 중에는 지식기반 기계번역, 예제기반 기계번역, 말뭉치 기반 기계번역, 통계적 방법에 기반한 기계번역 방법 등이 있는데, 이는 미리 번역된 과정으로부터 얻은 지식이나 번역 예제들, 혹은 그 통계를 이용하여 번역을 시도한 경우이다. 그런데, 상기한 방법들에서는, 번역하고자 하는 원문 전체를 포함하는 번역예제 집합을 만들기 위해서 많은 양의 문헌에 대한 비교적 정확한 번역이 먼저 이루어져야 한다는 부담이 있다.

상기한 바와 같은 문제점을 해소하기 위한 본 발명은, 기존의 한 가지 방식으로만 번역하지 않고, 번역하고자 하는 원문 문장의 복잡도에 따라 형태소 분석, 구문 분석, 의미 분석 등의 단계를 융통성 있게 이용하여 번역의 효율성을 높임과 동시에 번역의 신뢰성도 높일 수 있는 기계번역 시스템을 제공하는 데에 그 목적이 있다.

도 1a 내지 도 1c는 종래의 기계번역 방식을 나타낸 도면.

도 2는 본 발명의 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템의 일 실시 예를 나타낸 도면.

도 3은 본 발명에 따른 기계번역 방법의 일 실시 예를 설명하기 위한 플로우챠트.

* 도면의 주요 부분에 대한 부호의 설명 *

10 : 형태소 분석 모듈 20 : 구문 분석 모듈

30 : 의미 분석 모듈 40 : 번역 메모리

50 : 의미 생성에 대한 평가자를 내포한 의미 생성 모듈

60 : 구문 생성에 대한 평가자를 내포한 구문 생성 모듈

70 : 형태소 생성에 대한 평가자를 내포한 형태소 생성 모듈

이하 첨부한 도면을 참조하여 본 발명의 구성과 본 발명에 따른 실시 예를 상세히 설명한다.

상기 목적을 달성하기 위한 본 발명은, 원문을 입력받아 원문의 복잡도에 따라 깊이가 서로 다른 분석 및 변환을 수행하는 분석 모듈과; 상기 분석 모듈이 행한 분석 변환의 결과를 평가하는 평가자를 포함하며, 그 평가 결과가 받아들이지 못하는 경우에는 상기 분석 모듈로 거부 신호를 전달하며, 그 평가 결과가 받아 들일 수 있는 경우에는 번역문을 생성시키는 생성 모듈을 포함하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템에 있어서,

상기 분석 모듈은, 원문을 입력받아 형태소 분석 후에 패턴 템플릿 변환을 수행하는 형태소 분석 모듈(10)과, 상기 형태소 분석 모듈(10)에서의 패턴 템플릿 변환이 실패했을 경우에 구문 분석 후에 구문 패턴 변환지식에 기초하여 구문 변환을 수행하는 구문 분석 모듈(20)과, 상기 구문 분석 모듈(20)에서의 구문 변환이 실패했을 경우에 의미 분석 후에 의미 변환을 수행하는 의미 분석 모듈(30)을 포함하며;

상기 생성 모듈은, 상기 형태소 분석 모듈(10)에서의 패턴 템플릿 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 형태소 생성을 수행하는 형태소 생성 모듈(70)과, 상기 구문 분석 모듈(20)에서의 구문 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 구문 생성을 수행하는 구문 생성 모듈(60)과, 상기 의미 분석 모듈(30)에서의 의미 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 의미 생성을 수행하는 의미 생성 모듈(50)을 포함함을 특징으로 한다.

본 발명의 또 다른 특징은, 기계 번역 시스템을 분산 네트워크 시스템으로 하기 위하여, 상기 생성 모듈로부터 분석 및 변환 모듈로 거부 신호가 보내질 때에 그 피드백 정보가 기록되는 "번역 메모리"(40)를 두므로서, 이를 통한 각 모듈들 간에 정보교환이 이루어지도록 한다는 데에 있다.

본 발명의 핵심적인 특징인 상기 피드백 정보는, 각 모듈들이 독자적인 결정을 할 경우에 필요한 지식기반으로서 각 처리 단계에서 성공적으로 번역이 이뤄진 언어현상이나 그에 이용된 언어지식 뿐만 아니라 번역에 실패한 경우의 언어현상과 중간 번역구조 등을 나타낸다. 이러한 지식은 시스템의 개발 시에 개발자에 의해 주어지는 부분도 있으나, 자연언어의 특성상 모든 가능한 언어 현상을 개발 시에 완전히 구축하는 것은 불가능하므로, 학습 기능을 부여하여 시스템이 접하는 언어현상이 늘어감에 따라 기존 방식으로 처리할 수 없었던 패턴 등에 대한 지식을 점진적으로 확장시켜 나가게 된다.

이하, 본 발명의 바람직한 구성을 더욱 상세히 설명하면 다음과 같다.

첨부한 도 2는, 원문의 복잡도에 따라 융통성을 갖는 기계 번역 시스템의 일 실시 예를 나타낸 도면이다. 도면에서 분석(analysis) 모듈로는 형태소 분석(morphology analyzer) 모듈(10)과, 구문 분석(syntactic analyzer) 모듈(20)과, 기타 중간 언어(interlingua, 40)를 생성시키기 위한 분석 모듈로서 의미 분석 모듈(30)이 있다. 본 발명은 이에 한정되지 않고, 분석 수준이 깊어짐에 따라 담화 분석(discource analysis), 혹은 상황의미 분석 등이 더 이루어질 수도 있다. 본 설명에서는 의미분석 수준까지만을 모델로 설명한다.

본 발명에 의해, 분석의 가장 깊은 단계까지 진행되면 중간 언어(40)가 생성된다. 따라서, 본 발명은, 상기 중간 언어(40)로부터 번역문을 생성하기 위한 일련의 생성(generator) 모듈들 즉, 일 예로 도시한 바와 같이 의미 생성 모듈(50)과, 구문 생성 모듈(60)과, 형태소 생성 모듈(70) 등을 포함한다.

상기 분석, 혹은 생성 모듈들은 여러 가지 입력과 상황에 대해 지능적으로 적절하게 대처하여 독자적인 의사결정을 한다. 이와 같은 판단 주체로서 에이전트를 두게 된다. 임의의 "분석 모듈 에이전트"는, 입력 자료에 대해 해당 수준의 분석이 가능한 지를 판단하고, 분석을 행하고, 분석 결과가 변환 가능한 지를 판단한 후에 변환을 실행하든지, 아니면 그 다음 더 깊은 분석을 하게 할 지를 결정한다.

생성 모듈의 경우에도 변환된 결과를 입력으로 적절한 생성이 가능한 가를 결정하고, 생성 결과가 최종적으로 적절한 출력이 될 수 있을 지를 판단한다. 그리고 그 결과에 따라 계속해서 상위 수준의 생성을 할 지, 아니면 더 깊은 분석을 위해 자료를 다시 돌려 보낼 지를 결정한다. 그러므로, 본 발명은 에이전트에 기반한 번역(Agent-Based Machine Translation)이라고도 할 수 있다.

상기한 모듈들은, 원문에서부터 중간언어로의 분석 과정을 거쳐 번역문을 생성하기 위한 일련의 과정에 따라 연결되어 있다. 특히, 상기 분석 모듈들(10, 20, 30)은 그들 간에 연결되어 있을 뿐만 아니라, 대응하는 생성 모듈에 연결되어 있다. 대응하는 생성모듈에 연결되는 이유는, 각 분석 모듈에서의 분석 및 변환 결과가 마지막 표층 형태(surface form)까지 생성될 수 있는 지가 평가되기 위해서이다.

상기 생성 모듈 각각에 내재되어 있는 평가자(evaluator)가 그 생성 결과를 받아들이면, 번역 분석 과정은 더 이상 진행되지 않고 번역문이 생성되게 된다. 그리고, 상기 평가자가 그 생성 결과를 거부할 경우에, 대응하는 분석 모듈로 다시 가면서(feedback) 지금까지의 결과를 피드백 정보로서 "번역 메모리"(40)에 기록하게 된다. 번역 메모리는 생성 모듈로부터 분석 모듈로의 전달 경로 상의 중간에 연결된다.

그리하여, 당해 분석 모듈의 번역과정이 실패할 경우에 해당 문서의 심충 구조가 분석되어지고, 이 때에 얻어지는 변환 지식(transfer knowledge)이 축적되게 된다. 많은 피드백 정보가 상기 번역 메모리에 기록될수록 에이전트가 학습하는 지식이 많아지고 이에 따라 시스템의 지능적 진화(evolution)가 이루어진다. 이 시스템은, 각 모듈들이 네트워크 상에 한 노드를 구성하는 분산 시스템으로 구현 가능하며, 각각의 번역 단계에서 같은 기능을 하는 모듈들이 상호 경쟁과 보완을 하여 (fault-tolerant) 부분적 결함에 대한 전체 시스템의 신뢰도를 적정하게 유지할 수 있게 된다.

정확한 번역을 얻기 위한 위의 과정들은 간단한 시도가 실패할 경우에 다음 분석을 위한 요구(a demand-based way)에 의해 점차적으로 이루어져 간다. 이것은 일련의 번역 과정이 수행될 때 각 과정을 필요에 따라 융통성 있게 제공하는 것이다.

도 3은 본 발명에 따른 기계번역 방법의 실시 예를 설명하기 위한 플로우챠트이다.

원문이 입력이 되면(S100), 번역을 위해서 분석 모듈이 작동해야 한다. 도 3에서와 같이, 분석 모듈들을, 1번째 분석 모듈은 상기 형태소 분석 모듈(10)이라 하고, 2번째 분석 모듈은 구문 분석 모듈(20), 3번째는 의미 분석 모듈(30)이라고 하였다. 마찬가지로, 1번째 생성 모듈은 상기 "평가자 및 형태소 생성 모듈"(70)이다.

작동시켜야 할 분석 모듈을 나타내는 변수를 n이라 하면, 상기 도 2에 표시된 시스템은 분석 수준이 3이고, n은 1부터 시작된다(S200). 원문을 번역하기 위해 n번째 분석 모듈이 동작한다(S300). 변수 n의 값이 1일 때는 형태소 분석 과정이다. 상기 형태소 분석 모듈(10)은 형태소 분석을 하고 나서, 패턴 템플릿(pattern template) 변환을 하여 상기 형태소생성 모듈(70)로 전달하는 과정을 수행한다.

그러면, 상기 생성 모듈(70)에 내재되어 있는 "n"번째 평가자는 상기 변환된 문서를 받아들일 수 있는 지를 평가한다(S310). 이 때에 평가자가 거부 신호를 출력하지 않으면(아니오), 형태소 생성 과정(S500)을 거쳐서 번역문이 출력되게 된다(S600).

만일, 평가자가 거부 신호를 출력하면(예) 즉, 첫 분석 단계의 패턴 템플릿 변환이 실패한 경우에는 그 피드백 정보가 상기 번역 메모리(40)에 기록되고(S320), 문서 구조의 분석 수준을 더 높이기 위해, n 값을 1 단위 높여져서, 다음 단계의 구문 분석(20)이 호출된다. 이 때의 n 값은 아직 시스템의 분석 수준(수치 3)과 비교하면(S340), 아직 넘지 않고 있다(아니오).

이제, 상기 n번째 분석 모듈을 동작시키는 단계(S300)에서, 두 번째 분석 모듈인 구문 분석 모듈(20)에 의한 구문 변환이 수행된다. 구문 변환은 '구문 패턴 변환지식'(syntactic pattern transfer knowledge)에 기초해서 이루어진다. 그런 후, 이에 대응하는 2번째 생성 모듈인 "평가자 및 구문 생성 모듈"(60) 내의 평가자(n이 2)는 상기 구문 변환의 결과가 마지막 표층 형태까지 생성될 수 있을 지를 측정한다(S310). 이 때에도 평가자가 거부 신호를 출력하면(예), 그 피드백 정보는 번역 메모리(40)에 저장되고(S320), 다음 단계(n이 3)의 의미소 분석 모듈(30)이 호출된다(S300으로 리턴함.).

그러면, 상기 일 예를 가정한 바와 같이 번역 시스템의 분석 수준이 모듈 3개로 이루어진 경우는, 상기 의미소 분석 모듈(30)의 분석 변환 과정이 마지막 분석 수준이 되고(S340의 예.), 이에 따라 번역 시스템의 마지막 분석 모듈의 작동 결과는 중간언어(인터링구아) 수준으로 취급된다(S400).

중간 언어 단계 이후에는 "생성" 과정이 수행된다. 호출되는 생성 모듈은, 원문을 인터링구아로 변환한 분석 모듈에 대응하는, 그러한 모듈이어야 한다. 즉, n번째 생성 모듈이 호출되어 생성 과정을 수행한다(S500). 변수 n이 3인 모듈(50)의 동작 후에는, 변수값을 1 단위 낮추어(S510) 다음 생성 모듈인 "구문 생성 모듈"(60)이 동작한다.

이러한 생성 과정을 반복하면, 도 2에서 보듯이, 결국 첫 번째의 생성 모듈인 형태소 생성 모듈(70)이 번역문을 생성하게 된다. 이 때의 변수값은 0이므로(S520에서 예.), 번역 과정은 종료된다(S600).

상기 예에서는 분석 및 생성 모듈의 종류를 3 개로 한정하였으나, 이미 언급한 바와 같이, 본 발명은 이에 한정되지 않고 담화 분석 및 그 생성, 혹은 상황의미 분석 및 그 생성 모듈의 동작을 포함할 수 있다. 다수 개의 분석 및 생성 모듈이 있는 경우 그 시스템의 분석(및 생성) 수준을 해당 수치로 맞추어서, 상기 플로우챠트를 이해하면 된다.

이상에서와 같이 동작하는 본 발명은, 낮은 분석 수준에서도 적절한 번역이 이루어질 수 있으므로 번역의 효율성이 높다. 또한, 각 단계에는 같은 기능을 수행하는 모듈들이 상호 경쟁과 보완을 하므로 부분적 결함에 대한 전체 시스템의신뢰도가적정하게 유지되는 효과도 있다.

Claims (4)

1. 원문을 입력받아 원문의 복잡도에 따라 깊이가 서로 다른 분석 및 변환을 수행하는 분석 모듈과; 상기 분석 모듈이 행한 분석 변환의 결과를 평가하는 평가자를 포함하며, 그 평가 결과가 받아들이지 못하는 경우에는 상기 분석 모듈로 거부 신호를 전달하며, 그 평가 결과가 받아 들일 수 있는 경우에는 번역문을 생성시키는 생성 모듈을 포함하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템에 있어서,

   상기 분석 모듈은, 원문을 입력받아 형태소 분석 후에 패턴 템플릿 변환을 수행하는 형태소 분석 모듈(10)과, 상기 형태소 분석 모듈(10)에서의 패턴 템플릿 변환이 실패했을 경우에 구문 분석 후에 구문 패턴 변환지식에 기초하여 구문 변환을 수행하는 구문 분석 모듈(20)과, 상기 구문 분석 모듈(20)에서의 구문 변환이 실패했을 경우에 의미 분석 후에 의미 변환을 수행하는 의미 분석 모듈(30)을 포함하며;

   상기 생성 모듈은, 상기 형태소 분석 모듈(10)에서의 패턴 템플릿 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 형태소 생성을 수행하는 형태소 생성 모듈(70)과, 상기 구문 분석 모듈(20)에서의 구문 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 구문 생성을 수행하는 구문 생성 모듈(60)과, 상기 의미 분석 모듈(30)에서의 의미 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 의미 생성을 수행하는 의미 생성 모듈(50)을 포함함을 특징으로 하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템.
2. 제 1 항에 있어서, 상기 분석 모듈에는 상기 의미 분석 모듈(30)에서 의미 변환이 실패했을 경우에 담화 분석 후에 담화 변환을 수행하는 담화(discource) 분석 모듈을 더 포함하고,

   상기 생성 모듈에는 상기 의미 분석 모듈(30)에서의 의미 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 담화 생성을 수행하는 담화 생성 모듈을 더 포함함을 특징으로 하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템.
3. 제 2 항에 있어서, 상기 분석 모듈에는 상기 담화 분석 모듈에서 담화 변환이 실패했을 경우에 상황의미 분석 후에 상황의미 변환을 수행하는 상황의미 분석 모듈을 더 포함하고,

   상기 생성 모듈에는 상기 담화 분석 모듈에서의 담화 변환이 평가자에 의해 받아 들일 수 있는 것으로 평가된 경우에 상황의미 생성을 수행하는 상황의미 생성모듈을 더 포함함을 특징으로 하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템.
4. 제 1 항 내지 제 3 항에 있어서,

   상기 각각의 생성 모듈에서 평가자에 의해 변환 문서를 받아들일 수 없는 것으로 평가되는 경우에, 생성 모듈로부터 분석 모듈로 거부 신호가 보내질 때에 그 피드백 정보를 기록하는 번역 메모리(40)를 더 포함함을 특징으로 하는 원문의 복잡도에 따라 융통성을 갖는 기계번역 시스템.

Images