KR20220083414A - 문서 수준 관계 추출 방법 및 장치 - Google Patents

문서 수준 관계 추출 방법 및 장치 Download PDF

Info

Publication number
KR20220083414A
KR20220083414A KR1020200173638A KR20200173638A KR20220083414A KR 20220083414 A KR20220083414 A KR 20220083414A KR 1020200173638 A KR1020200173638 A KR 1020200173638A KR 20200173638 A KR20200173638 A KR 20200173638A KR 20220083414 A KR20220083414 A KR 20220083414A
Authority
KR
South Korea
Prior art keywords
encoding
sentences
entity
vectors
attention
Prior art date
Application number
KR1020200173638A
Other languages
English (en)
Other versions
KR102511282B1 (ko
Inventor
김학수
박성식
Original Assignee
건국대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020200173638A priority Critical patent/KR102511282B1/ko
Publication of KR20220083414A publication Critical patent/KR20220083414A/ko
Application granted granted Critical
Publication of KR102511282B1 publication Critical patent/KR102511282B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Machine Translation (AREA)

Abstract

문서 수준 관계 추출 방법 및 장치가 개시된다. 일 실시예에 따른 문서 수준 관계 추출 방법은 문서를 전처리하여 상기 문서로부터 복수의 문장들을 선별하는 동작; 상기 복수의 문장들에 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 관계-문맥 코-어텐션을 수행하는 동작; 및 상기 개체 쌍 인코딩 결과 및 상기 관계-문맥 코-어텐션 결과에 기초하여 상기 복수의 문장들에 존재하는 개체 쌍의 관계를 판별하는 동작을 포함한다.

Description

문서 수준 관계 추출 방법 및 장치{METHOD AND APPARATUS FOR DOCUMENT-LEVEL RELATION EXTRACTION}
아래 개시는 문서 수준 관계 추출 방법 및 장치에 관한 것이다.
관계 추출은 주어진 문장이나 문서에 존재하는 개체(entity)들 간의 의미적 관계를 찾아내는 작업으로, 개체들 중 서로 연관성을 갖는 개체를 찾아내고 그 관계명을 분별하는 작업을 말하는 것이다.
최근에, 문서 수준 관계 추출 말뭉치인 DocRED(Document-level Relation Extraction Dataset)가 공개되면서 문서 수준 관계 추출(document-level relation extraction)에 대한 연구가 활발히 진행되고 있다.
표 1은 대표적인 문장 수준 관계 추출 말뭉치인 TACRED(TAC Relation Extraction Dataset)와 문서 수준 관계 추출 말뭉치 DocRED(Document-level Relation Extraction Dataset)를 비교한 것이다.
[표 1]
Figure pat00001
표 1에서 보이는 바와 같이 문서 수준의 관계 추출은 문장 수준 관계 추출보다 더 많은 부분을 고려해야 한다. 문서에는 문장보다 월등히 많은 수의 개체들이 존재하며 이에 따른 복잡한 형태의 관계들이 존재한다. 또한 문서 수준 관계 추출은 한 문장 내에서 표현된 관계뿐만 아니라 여러 문장에 걸쳐 표현된 관계나 멀리 떨어진 문장 간에 표현된 관계에 대한 추출 방법이 필요하다.
또한, 사전 학습된 마스크 언어 모델(masked language model(MLM))이 자연어 처리 분야 전체에 영향력을 보이면서 관계 추출에서도 MLM을 사용하는 연구가 진행되고 있다. 그러나, 문서 수준의 관계 추출은 문서의 단위가 길기 때문에 셀프 어텐션(self-attention)을 기반으로 하는 MLM을 사용하면 모델의 계산량이 증가하는 문제가 있다.
실시예들은 관계 추출에 필요한 문장을 선별하는 전처리 기술을 제공할 수 있다.
또한, 실시예들은 문서의 길이에 상관없이 관계 추출에 필요한 어휘 정보를 자동으로 습득할 수 있는 관계-문맥 코-어텐션(Relation-Context Co-attention) 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 문서 수준 관계 추출 방법은 문서를 전처리하여 상기 문서로부터 복수의 문장들을 선별하는 동작; 상기 복수의 문장들에 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 관계-문맥 코-어텐션을 수행하는 동작; 및 상기 개체 쌍 인코딩 결과 및 상기 관계-문맥 코-어텐션 결과에 기초하여 상기 복수의 문장들에 존재하는 개체 쌍의 관계를 판별하는 동작을 포함한다.
상기 복수의 문장들을 선별하는 동작은 상기 문서에서 관계 추출에 필요한 개체가 존재하는 복수의 문장들을 선별하는 동작을 포함할 수 있다.
상기 개체가 존재하는 복수의 문장들을 선별하는 동작은 상기 문서에서 개체가 존재하는 문장을 검출하여 각 개체마다의 문장 집합을 생성하는 동작; 및 각 객체마다 문장 집합을 비교하여 포함 관계에 해당하는 문장 집합이 존재하면 두 문장 집합 중 더 큰 문장 집합에 다른 하나의 문장 집합을 합하는 동작을 포함할 수 있다.
상기 인코딩을 수행하는 동작은 상기 복수의 문장들에 인코딩을 수행하여 상기 복수의 문장들에 존재하는 복수의 개체들 각각의 개체 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
상기 개체 인코딩 벡터를 생성하는 동작은 상기 복수의 문장들에 포함된 전체 단어의 단어 인코딩 벡터들을 생성하는 동작; 상기 단어 인코딩 벡터들에 기초하여 상기 전체 단어 중에서 개체 언급에 해당하는 단어를 이용하여 해당 개체에 대한 언급 인코딩 벡터를 생성하는 동작; 및 상기 해당 개체의 언급 인코딩 벡터 및 상기 해당 개체의 언급 횟수에 기초하여 상기 해당 개체의 개체 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
상기 개체 쌍 인코딩을 수행하는 동작은 복수의 개체들 각각의 개체 인코딩 벡터를 이용하여 상기 복수의 개체들에 대해 객체 쌍 인코딩을 수행함으로써 복수의 개체들의 모든 개체 쌍 조합에 대한 개체 쌍 인코딩 벡터들을 생성하는 동작을 포함할 수 있다.
상기 개체 쌍 인코딩 벡터를 생성하는 동작은 아래 수학식을 이용하여 상기 개체 쌍 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
[수학식]
Figure pat00002
Figure pat00003
는 주체 후보 개체에 해당하는 개체 인코딩 벡터이고,
Figure pat00004
는 객체 후보 개체에 해당하는 개체 인코딩 벡터이고,
Figure pat00005
는 두 개체 인코딩 벡터의 차의 절대 값을 의미하고,
Figure pat00006
은 두 개체 인코딩 벡터의 곱을 의미하고, [ ]는 안에 주어진 벡터들을 모두 연결한다는 것일 수 있다.
상기 관계-문맥 코-어텐션을 수행하는 동작은 상기 단어 인코딩 벡터들 및 관계 라벨 임베딩 벡터들 간의 어텐션을 수행하여 관계-문맥 코-어텐션 벡터들을 생성하는 동작을 포함할 수 있다.
상기 어텐션은 바이리니어 어텐션(Bilinear attention)을 기반으로 수행되는 것일 수 있다.
상기 관계를 판별하는 동작은 상기 개체 쌍 인코딩 벡터들 및 관계-문맥 코-어텐션 벡터들 간의 어텐션을 수행하여 개체 쌍의 관계를 추출하는 동작을 포함할 수 있다.
일 실시예에 따른 문서 수준 관계 추출을 수행하는 장치는 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 인스트럭션을 실행시키기 위한 프로세서를 포함하고, 상기 인스트럭션이 실행될 때, 상기 프로세서는 문서를 전처리하여 상기 문서로부터 복수의 문장들을 선별하는 동작; 상기 복수의 문장들에 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행하는 동작; 상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 관계-문맥 코-어텐션을 수행하는 동작; 및 상기 개체 쌍 인코딩 결과 및 상기 관계-문맥 코-어텐션 결과에 기초하여 상기 복수의 문장들에 존재하는 개체 쌍의 관계를 판별하는 동작을 수행할 수 있다.
상기 복수의 문장들을 선별하는 동작은 상기 문서에서 관계 추출에 필요한 개체가 존재하는 복수의 문장들을 선별하는 동작을 포함할 수 있다.
상기 개체가 존재하는 복수의 문장들을 선별하는 동작은 상기 문서에서 개체가 존재하는 문장을 검출하여 각 개체마다의 문장 집합을 생성하는 동작; 및 각 객체마다 문장 집합을 비교하여 포함 관계에 해당하는 문장 집합이 존재하면 두 문장 집합 중 더 큰 문장 집합에 다른 하나의 문장 집합을 합하는 동작을 포함할 수 있다.
상기 인코딩을 수행하는 동작은 상기 복수의 문장들에 인코딩을 수행하여 상기 복수의 문장들에 존재하는 복수의 개체들 각각의 개체 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
상기 개체 인코딩 벡터를 생성하는 동작은 상기 복수의 문장들에 포함된 전체 단어의 단어 인코딩 벡터들을 생성하는 동작; 상기 단어 인코딩 벡터들에 기초하여 상기 전체 단어 중에서 개체 언급에 해당하는 단어를 이용하여 해당 개체에 대한 언급 인코딩 벡터를 생성하는 동작; 및 상기 해당 개체의 언급 인코딩 벡터 및 상기 해당 개체의 언급 횟수에 기초하여 상기 해당 개체의 개체 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
상기 개체 쌍 인코딩을 수행하는 동작은 복수의 개체들 각각의 개체 인코딩 벡터를 이용하여 상기 복수의 개체들에 대해 객체 쌍 인코딩을 수행함으로써 복수의 개체들의 모든 개체 쌍 조합에 대한 개체 쌍 인코딩 벡터들을 생성하는 동작을 포함할 수 있다.
상기 개체 쌍 인코딩 벡터를 생성하는 동작은 아래 수학식을 이용하여 상기 개체 쌍 인코딩 벡터를 생성하는 동작을 포함할 수 있다.
[수학식]
Figure pat00007
Figure pat00008
는 주체 후보 개체에 해당하는 개체 인코딩 벡터이고,
Figure pat00009
는 객체 후보 개체에 해당하는 개체 인코딩 벡터이고,
Figure pat00010
는 두 개체 인코딩 벡터의 차의 절대 값을 의미하고,
Figure pat00011
은 두 개체 인코딩 벡터의 곱을 의미하고, [ ]는 안에 주어진 벡터들을 모두 연결한다는 것일 수 있다.
상기 관계-문맥 코-어텐션을 수행하는 동작은 상기 단어 인코딩 벡터들 및 관계 라벨 임베딩 벡터들 간의 어텐션을 수행하여 관계-문맥 코-어텐션 벡터들을 생성하는 동작을 포함할 수 있다.
상기 관계를 판별하는 동작은 상기 개체 쌍 인코딩 벡터들 및 관계-문맥 코-어텐션 벡터들 간의 어텐션을 수행하여 개체 쌍의 관계를 추출하는 동작을 포함할 수 있다.
도 1은 일 실시예에 따른 문서 수준 관계 추출 동작을 수행하는 전자 장치의 일 예를 나타낸다.
도 2는 전처리 알고리즘의 일 예를 나타낸다.
도 3은 일 실시예에 따른 문서 수준 관계 추출 모델의 일 예를 개략적으로 나타낸다.
도 4는 일 실시예에 따른 문서 수준 관계 추출 동작을 수행하는 전차 장치의 다른 예를 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 문서 수준 관계 추출 동작을 수행하는 전자 장치의 일 예를 나타내고, 도 2는 전처리 알고리즘의 일 예를 나타낸다.
도 1 및 도 2를 참조하면, 일 실시예에 따른, 전자 장치(10)는 문장 및/또는 문서에 존재하는 개체(entity)들 간의 관계를 추출하는 동작을 수행할 수 있다. 관계 추출은 관계를 맺는 개체들을 추출하고 추출된 개체들에 알맞은 관계명(예: 관계 트리플 형태)을 부착하는 동작을 수 있다.
전자 장치(10)는 전처리기(100) 및 문서 수준 관계 추출 모델(200)을 포함할 수 있다. 전자 장치(10)는 문서 수준 관계 추출 모델(200)을 이용하여 문서 수준 관계 추출 동작을 수행함으로써 문장 및/또는 문서에 존재하는 개체들 간의 관계를 추출할 수 있다. 관계는 관계 트리플 형태(예: subject-relation-object)로 정보가 추출될 수 있다. 개체는 고유한 의미를 갖는 단어(예: 인명, 지명, 기관명 등)를 의미하고, 개체 중에서 관계의 주체가 subject가 되고, 관계의 객체가 object가 될 수 있다. 개체는 관계의 주체에 해당하는 개체로 및/또는 관계의 객체에 해당하는 개체로 존재하며, 다른 개체와 관계를 맺지 않는 개체로도 존재할 수 있다.
전처리기(100)는 복수의 문장들을 포함하는 문서를 수신하고, 문서에서 개체를 중심으로 문장을 추출하는 전처리 동작을 수행할 수 있다. 문서 전체의 시퀀스(Sequence) 길이가 길기 때문에, 대부분의 MLM(Masked Language Model)에서 사용하는 셀프-어텐션(Self-Attention)의 계산량이 폭발적으로 증가할 수 있다. 관계 추출을 할 때 꼭 필요한 문장을 제외한 나머지 문장은 모델(예: 문서 수준 관계 추출 모델(200))에 잡음(Noise)으로 작용할 수 있는 가능성이 있다. 전처리기(100)가 관계 추출에 필요한 문장만을 선별함으로써, 데이터의 복잡성과 모델(예: 문서 수준 관계 추출 모델(200))의 계산량을 줄일 수 있다.
전처리기(100)는 문서에서 관계 추출에 필요한 개체가 존재하는 복수의 문장들을 선별할 수 있다. 전처리기(100)는 딥러닝(Deep-learning) 모델로 구현할 필요 없이 도 2의 전처리 알고리즘(예: 도 2의 의사 코드)으로 문서에서 관계 추출에 필요한 문장들을 간단하게 선별할 수 있다. 우선, 전처리기(100)는 문서에서 개체(entity)가 존재하는 문장을 검출하여(예: 찾아 내어) 각 개체마다의 문장 집합을 생성할 수 있다(예: 도 2의 ①). 다음으로, 전처리기(100)는 각 개체마다 문장 집합을 비교하여 포함 관계에 해당하는 문장 집합이 존재하면 두 문장 집합 중 더 큰 문장 집합에 다른 하나의 문장 집합을 합할 수 있다(예: 도 2의 ②). 전처리기(100)는 상술한 동작(예: 도 2의 ①, ②)을 진행하여 기존 문서보다 짧고 관계 추출에 필요한 문장을 충분히 포함하고 있는 새로운 문장 집합을 생성할 수 있다. 전처리기(100)는 문서에서 선별한 문장들을 문서 수준 관계 추출 모델(200)로 출력할 수 있다.
문서 수준 관계 추출 모델(200)은 선별한 문장들을 이용하여 인코딩(예: 문서 또는 문장 인코딩, 개체 쌍 인코딩, 관계-문맥 코-어텐션, 및 어텐션(예: 멀티-헤드 어텐션)을 수행하여 선별한 문장들 내의 각 개체 쌍의 관계를 판별할 수 있다. 문서 수준 관계 추출 모델(200)에 대해서는 도 3을 참조하여 상세히 설명하도록 한다.
도 3은 일 실시예에 따른 문서 수준 관계 추출 모델의 일 예를 개략적으로 나타낸다.
문서 수준 관계 추출 모델(200)은 MLM 계층(210), 개체 쌍 인코딩 계층(inter-pair encoding; 230), 코-어텐션 계층(co-attention; 250), 및 멀티-헤드 LAN 계층(multi-head LAN; 270)을 포함할 수 있다.
MLM 계층(210)은 전처리기(100)에 의해서 선별된 복수의 문장들을 단어 단위(예: 도 3의 w1(첫번째 단어), w2(두번째 단어), w3(세번째 단어), w4(네번째 단어), wn(n번째 단어))로 수신할 수 있다. 복수의 문장들 각각은 단어들로 구성되며, 문장 경계(예: 도 3의 <S>)에 의해서 구분될 수 있다. 문장 경계(<S>)는 문장 경계(<S>) 다음에 나타나는 단어들이 다음 문장이라는 것을 MLM 계층(210)에 알려주는 역할을 하는 것일 수 있다. 예를 들어, 단어들(w1, w2, w3)은 첫번째 문장을 구성하며, 다음 단어(w4)는 두번째 문장을 구성하는 것이다.
MLM 계층(210)은 선별된 복수의 문장들에 대해서 인코딩(예: 문장 인코딩 또는 문서 인코딩)을 수행할 수 있다. MLM 계층(210)은 ELECTRA(Efficiently Learning an Encoder that Classifies Token Replacements Accurately)로 구현될 수 있다. ELECTRA는 사전 학습 시 Masking된 단어를 판별하는 방법으로 자가 지도 학습(Self-supervised Learning)을 진행한 MLM일 수 있다.
MLM 계층(210)은 선별된 복수의 문장들에 인코딩을 수행하여 선별된 복수의 문장들에 존재하는 복수의 개체들 각각의 개체 인코딩 벡터를 생성(예: 계산)할 수 있다. 우선, MLM 계층(210)은 복수의 문장들에 포함된 전체 단어의 단어 인코딩 벡터들을 생성(예: 계산)할 수 있다. MLM 계층(210)은 단어 인코딩 벡터들에 기초하여 전체 단어 중에서 개체 언급에 해당하는 단어를 이용하여 해당 개체에 대한 언급 인코딩 벡터를 생성(예: 계산)할 수 있다. MLM 계층(210)은 해당 개체의 언급 인코딩 벡터 및 해당 개체의 언급 횟수에 기초하여 해당 개체의 개체 인코딩 벡터를 생성(예: 계산)할 수 있다.
개체의 인코딩 벡터는 각 개체 언급(Mention)에 해당하는 단어들의 인코딩 벡터들의 평균값일 수 있다. MLM 계층(210)은 수학식 1과 같이 개체의 인코딩 과정을 수행할 수 있다.
Figure pat00012
수학식 1에서
Figure pat00013
은 개체 인코딩 벡터를 의미하고,
Figure pat00014
은 해당 개체에 대해 언급 인코딩 벡터를 의미할 수 있다.
Figure pat00015
은 개체의 언급 회수를 의미하고,
Figure pat00016
는 언급에 해당하는 단어의 수를 의미할 수 있다.
Figure pat00017
는 문서(예: 선별된 복수의 문장들)에서 j번째 단어의 인코딩 벡터를 의미할 수 있다
MLM 계층(210)은 선별된 복수의 문장들에 인코딩 결과인 복수의 개체들 각각의 개체 인코딩 벡터를 개체 쌍 인코딩 계층(230)으로 출력할 수 있다. MLM 계층(210)은 선별된 복수의 문장들에 인코딩 결과인 전체 단어의 단어 인코딩 벡터들을 코-어텐션 계층(250)으로 출력할 수 있다. 선별된 복수의 문장들에 인코딩 결과는 복수의 개체들 각각의 개체 인코딩 벡터 및 전체 단어의 단어 인코딩 벡터들을 포함할 수 있다.
개체 쌍 인코딩 계층(230)은 선별된 복수의 문장들에 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행할 수 있다. 개체 쌍 인코딩 계층(230)은 복수의 개체들에 대해 개체 쌍 인코딩을 수행하여 복수의 개체들의 모든 개체 쌍 조합에 대한 개체 쌍 인코딩 벡터를 생성(예: 계산)할 수 있다. 개체 쌍 인코딩 계층(230)은 수학식 2를 이용하여 개체 쌍 인코딩을 수행할 수 있다.
Figure pat00018
수학식 2에서
Figure pat00019
는 Subject 후보 개체에 해당하는 개체 인코딩 벡터이고,
Figure pat00020
는 Object 후보 개체에 해당하는 개체 인코딩 벡터일 수 있다.
Figure pat00021
는 두 개체 인코딩 벡터의 차의 절대 값을 의미하고,
Figure pat00022
은 두 개체 인코딩 벡터의 곱을 의미할 수 있다. [ ]는 안에 주어진 벡터들을 모두 연결한다는 의미일 수 있다. 수식은 두 문장 사이의 연관 정보를 구하는데 효과를 증명한 Infer-Sent 모델의 수식을 참고했다. 모든 개체의 객체 쌍 인코딩 벡터
Figure pat00023
는 위 과정을 통해 계산될 수 있다. 개체 쌍 인코딩 계층(230)은 개체 쌍 인코딩 벡터(들)을 멀티-헤드 LAN 계층(270)으로 출력할 수 있다.
코-어텐션 계층(250)은 선별된 복수의 문장들에 인코딩 결과에 기초하여 관계-문맥 코-어텐션(Relation-Context Co-attention)을 수행할 수 있다. 코-어텐션 계층(250)은 각 관계 라벨(Label)을 설명하는 어휘 정보를 활용하기 위한 관계-문맥 코-어텐션 방법(Relation-Context Co-attention)을 수행할 수 있다. 코-어텐션 계층(250)은 관계-문맥 코-어텐션(Relation-Context Co-attention) 계층이라 할 수 있다. 코-어텐션 계층(250)은 MLM 계층(210)로부터 전체 단어의 단어 인코딩 벡터(들)과 관계 라벨 임베딩 벡터(들) 간의 어텐션(Attention)을 수행하여 관계-문맥 코-어텐션(Relation-Context Co-attention) 벡터(들)를 생성할 수 있다. 코-어텐션 계층(250)은 전체 단어의 단어 인코딩 벡터(들)과 관계 라벨 임베딩 벡터 간의 어텐션을 통해 각 단어가 어떤 관계와 연관이 있는지 계산할 수 있다. 코-어텐션 계층(250)은 문맥에서 각 관계 라벨을 설명하는 부분을 자동적으로 강조하는 역할을 수행하는 것일 수 있다.
관계 임베딩 벡터는 임의 초기화하며 모델 학습이 진행되며 그 값이 미세 조정(Fine tune)될 수 있다. 어텐션은 바이리니어 어텐션(Bilinear attention)을 기반으로 수행되며 수학식 3과 같을 수 있다.
Figure pat00024
수학식 3에서,
Figure pat00025
는
Figure pat00026
번째 관계 라벨의 임베딩 벡터를 의마하고,
Figure pat00027
는 전체 단어의 단어 인코딩 벡터들을 의미하며,
Figure pat00028
는 바이리니어 어텐션(Bilinear attention)의 가중치 행렬일 수 있다.
Figure pat00029
는 두 벡터 간의 연관도 점수이며,
Figure pat00030
에
Figure pat00031
를 취해 연관도 확률 분포인
Figure pat00032
가 획득(예: 계산)될 수 있다. 이후
Figure pat00033
는 단어 인코딩 벡터
Figure pat00034
와의 행렬 곱을 통해
Figure pat00035
에 관련된 단어의 의미가 강조된 벡터(예: 관계-문맥 상호-어텐션 벡터)
Figure pat00036
계산에 사용될 수 있다. 코-어텐션 계층(250)은 문서의 길이에 상관없이 문서에서 관계를 설명하는 부분의 정보를 습득하는데 도움을 줄 수 있다. 코-어텐션 계층(250)은 관계-문맥 상호-어텐션 벡터(들)를 멀티-헤드 LAN 계층(270)으로 출력할 수 있다.
멀티-헤드 LAN 계층(270)은 개체 쌍 인코딩 결과 및 관계-문맥 코-어텐션 결과에 기초하여 각 객체 쌍의 관계를 판별할 수 있다. 멀티-헤드 LAN 계층(270)은 개체 쌍 인코딩 벡터(들)와 관계-문맥 코-어텐션 벡터(들) 간의 어텐션(Attention)을 수행하여 각 개체 쌍이 갖는 관계를 추출할 수 있다. 멀티-헤드 LAN 계층(270)은 멀티-헤드 어텐션(Multi-head Attention)의 수식을 기반으로 하며 수식은 수학식 4와 같을 수 있다. 멀티-헤드 LAN 계층(270)은 각 개체 쌍의 관계 점수(예: 최종 관계 예측 점수
Figure pat00037
)를 출력할 수 있다.
Figure pat00038
수학식 4에서,
Figure pat00039
,
Figure pat00040
는 개체 쌍 인코딩 벡터들과 상호-어텐션(Co-attention) 벡터들에 FNN(Feed-forward Neural Network)를 적용해 추상화한 값일 수 있다.
Figure pat00041
은 사용할 헤드(head)의 개수를 의미하며,
Figure pat00042
는 헤드(head)의 인덱스(index)를 의미할 수 있다. 개체 쌍의 관계 점수는 두 벡터의 내적을 기반으로 계산되며 최종 관계 예측 점수
Figure pat00043
는 각 헤드(head)의 점수를 평균 낸 값일 수 있다. 모델(예: 멀티-헤드 LAN 계층(270))의 학습을 위한 손실 함수는 다중 분류(Multi Labeling)를 위해 바이너리 교차-엔트로피(Binary Cross-Entropy)가 사용되며 관계 예측 점수
Figure pat00044
와 실제 정답 사이의 손실 값이 계산될 수 있다.
도 4는 일 실시예에 따른 문서 수준 관계 추출 동작을 수행하는 전차 장치의 다른 예를 나타낸다.
전자 장치(400)는 도 1의 전자 장치(10)와 실질적으로 동일할 수 있다. 전자 장치(400)는 도 1 내지 도 3을 참조하여 설명한 문서 수준 관계 추출 동작을 수행할 수 있다. 전자 장치(400)는 메모리(410) 및 프로세서(430)를 포함할 수 있다. 도 1의 전처리기(100) 및 문서 수준 관계 추출 모델(200)은 메모리(410)에 저장되어 있다 프로세서(430)에 로딩되어 프로세서(430)에 의해서 실행될 수도 있으며, 프로세서(430)에 임베디드될 수도 있다.
메모리(410)는 프로세서(430)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서(430)의 동작 및/또는 프로세서(430)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(430)는 메모리(410)에 저장된 데이터를 처리할 수 있다. 프로세서(430)는 메모리(410)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(430)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(430)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(430)에 의해 수행되는 동작은 도 1 내지 도 3을 참조하여 설명한 전처리기(100) 및 문서 수준 관계 추출 모델(200)을 이용하는 문서 수준 관계 추출 동작과 실질적으로 동일하다. 이에, 상세한 설명은 생략하도록 한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 문서 수준 관계 추출 방법에 있어서,
    문서를 전처리하여 상기 문서로부터 복수의 문장들을 선별하는 동작;
    상기 복수의 문장들에 인코딩을 수행하는 동작;
    상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행하는 동작;
    상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 관계-문맥 코-어텐션을 수행하는 동작; 및
    상기 개체 쌍 인코딩 결과 및 상기 관계-문맥 코-어텐션 결과에 기초하여 상기 복수의 문장들에 존재하는 개체 쌍의 관계를 판별하는 동작
    을 포함하는, 방법.
  2. 제1항에 있어서,
    상기 복수의 문장들을 선별하는 동작은,
    상기 문서에서 관계 추출에 필요한 개체가 존재하는 복수의 문장들을 선별하는 동작
    을 포함하는, 방법.
  3. 제2항에 있어서,
    상기 개체가 존재하는 복수의 문장들을 선별하는 동작은,
    상기 문서에서 개체가 존재하는 문장을 검출하여 각 개체마다의 문장 집합을 생성하는 동작; 및
    각 객체마다 문장 집합을 비교하여 포함 관계에 해당하는 문장 집합이 존재하면 두 문장 집합 중 더 큰 문장 집합에 다른 하나의 문장 집합을 합하는 동작
    을 포함하는, 방법.
  4. 제1항에 있어서,
    상기 인코딩을 수행하는 동작은,
    상기 복수의 문장들에 인코딩을 수행하여 상기 복수의 문장들에 존재하는 복수의 개체들 각각의 개체 인코딩 벡터를 생성하는 동작
    을 포함하는, 방법.
  5. 제4항에 있어서,
    상기 개체 인코딩 벡터를 생성하는 동작은,
    상기 복수의 문장들에 포함된 전체 단어의 단어 인코딩 벡터들을 생성하는 동작;
    상기 단어 인코딩 벡터들에 기초하여 상기 전체 단어 중에서 개체 언급에 해당하는 단어를 이용하여 해당 개체에 대한 언급 인코딩 벡터를 생성하는 동작; 및
    상기 해당 개체의 언급 인코딩 벡터 및 상기 해당 개체의 언급 횟수에 기초하여 상기 해당 개체의 개체 인코딩 벡터를 생성하는 동작
    을 포함하는, 방법.
  6. 제4항에 있어서,
    상기 개체 쌍 인코딩을 수행하는 동작은,
    복수의 개체들 각각의 개체 인코딩 벡터를 이용하여 상기 복수의 개체들에 대해 객체 쌍 인코딩을 수행함으로써 복수의 개체들의 모든 개체 쌍 조합에 대한 개체 쌍 인코딩 벡터들을 생성하는 동작
    을 포함하는, 방법.
  7. 제6항에 있어서,
    상기 개체 쌍 인코딩 벡터를 생성하는 동작은,
    아래 수학식을 이용하여 상기 개체 쌍 인코딩 벡터를 생성하는 동작
    을 포함하는, 방법.
    [수학식]
    Figure pat00045

    Figure pat00046
    는 주체 후보 개체에 해당하는 개체 인코딩 벡터이고,
    Figure pat00047
    는 객체 후보 개체에 해당하는 개체 인코딩 벡터이고,
    Figure pat00048
    는 두 개체 인코딩 벡터의 차의 절대 값을 의미하고,
    Figure pat00049
    은 두 개체 인코딩 벡터의 곱을 의미하고, [ ]는 안에 주어진 벡터들을 모두 연결한다는 것인.
  8. 제6항에 있어서,
    상기 관계-문맥 코-어텐션을 수행하는 동작은,
    상기 단어 인코딩 벡터들 및 관계 라벨 임베딩 벡터들 간의 어텐션을 수행하여 관계-문맥 코-어텐션 벡터들을 생성하는 동작
    을 포함하는, 방법.
  9. 제8항에 있어서,
    상기 어텐션은 바이리니어 어텐션(Bilinear attention)을 기반으로 수행되는 것인, 방법.
  10. 제8항에 있어서,
    상기 관계를 판별하는 동작은,
    상기 개체 쌍 인코딩 벡터들 및 관계-문맥 코-어텐션 벡터들 간의 어텐션을 수행하여 개체 쌍의 관계를 추출하는 동작
    을 포함하는, 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  12. 문서 수준 관계 추출을 수행하는 장치에 있어서,
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 인스트럭션을 실행시키기 위한 프로세서
    를 포함하고,
    상기 인스트럭션이 실행될 때, 상기 프로세서는,
    문서를 전처리하여 상기 문서로부터 복수의 문장들을 선별하는 동작;
    상기 복수의 문장들에 인코딩을 수행하는 동작;
    상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 개체 쌍 인코딩을 수행하는 동작;
    상기 복수의 문장들에 수행된 인코딩 결과에 기초하여 관계-문맥 코-어텐션을 수행하는 동작; 및
    상기 개체 쌍 인코딩 결과 및 상기 관계-문맥 코-어텐션 결과에 기초하여 상기 복수의 문장들에 존재하는 개체 쌍의 관계를 판별하는 동작
    을 수행하는, 장치.
  13. 제12항에 있어서,
    상기 복수의 문장들을 선별하는 동작은,
    상기 문서에서 관계 추출에 필요한 개체가 존재하는 복수의 문장들을 선별하는 동작
    을 포함하는, 장치.
  14. 제13항에 있어서,
    상기 개체가 존재하는 복수의 문장들을 선별하는 동작은,
    상기 문서에서 개체가 존재하는 문장을 검출하여 각 개체마다의 문장 집합을 생성하는 동작; 및
    각 객체마다 문장 집합을 비교하여 포함 관계에 해당하는 문장 집합이 존재하면 두 문장 집합 중 더 큰 문장 집합에 다른 하나의 문장 집합을 합하는 동작
    을 포함하는, 장치.
  15. 제12항에 있어서,
    상기 인코딩을 수행하는 동작은,
    상기 복수의 문장들에 인코딩을 수행하여 상기 복수의 문장들에 존재하는 복수의 개체들 각각의 개체 인코딩 벡터를 생성하는 동작
    을 포함하는, 장치.
  16. 제15항에 있어서,
    상기 개체 인코딩 벡터를 생성하는 동작은,
    상기 복수의 문장들에 포함된 전체 단어의 단어 인코딩 벡터들을 생성하는 동작;
    상기 단어 인코딩 벡터들에 기초하여 상기 전체 단어 중에서 개체 언급에 해당하는 단어를 이용하여 해당 개체에 대한 언급 인코딩 벡터를 생성하는 동작; 및
    상기 해당 개체의 언급 인코딩 벡터 및 상기 해당 개체의 언급 횟수에 기초하여 상기 해당 개체의 개체 인코딩 벡터를 생성하는 동작
    을 포함하는, 장치.
  17. 제15항에 있어서,
    상기 개체 쌍 인코딩을 수행하는 동작은,
    복수의 개체들 각각의 개체 인코딩 벡터를 이용하여 상기 복수의 개체들에 대해 객체 쌍 인코딩을 수행함으로써 복수의 개체들의 모든 개체 쌍 조합에 대한 개체 쌍 인코딩 벡터들을 생성하는 동작
    을 포함하는, 장치.
  18. 제17항에 있어서,
    상기 개체 쌍 인코딩 벡터를 생성하는 동작은,
    아래 수학식을 이용하여 상기 개체 쌍 인코딩 벡터를 생성하는 동작
    을 포함하는, 장치.
    [수학식]
    Figure pat00050

    Figure pat00051
    는 주체 후보 개체에 해당하는 개체 인코딩 벡터이고,
    Figure pat00052
    는 객체 후보 개체에 해당하는 개체 인코딩 벡터이고,
    Figure pat00053
    는 두 개체 인코딩 벡터의 차의 절대 값을 의미하고,
    Figure pat00054
    은 두 개체 인코딩 벡터의 곱을 의미하고, [ ]는 안에 주어진 벡터들을 모두 연결한다는 것인.
  19. 제17항에 있어서,
    상기 관계-문맥 코-어텐션을 수행하는 동작은,
    상기 단어 인코딩 벡터들 및 관계 라벨 임베딩 벡터들 간의 어텐션을 수행하여 관계-문맥 코-어텐션 벡터들을 생성하는 동작
    을 포함하는, 장치.
  20. 제19항에 있어서,
    상기 관계를 판별하는 동작은,
    상기 개체 쌍 인코딩 벡터들 및 관계-문맥 코-어텐션 벡터들 간의 어텐션을 수행하여 개체 쌍의 관계를 추출하는 동작
    을 포함하는, 장치.
KR1020200173638A 2020-12-11 2020-12-11 문서 수준 관계 추출 방법 및 장치 KR102511282B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200173638A KR102511282B1 (ko) 2020-12-11 2020-12-11 문서 수준 관계 추출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200173638A KR102511282B1 (ko) 2020-12-11 2020-12-11 문서 수준 관계 추출 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220083414A true KR20220083414A (ko) 2022-06-20
KR102511282B1 KR102511282B1 (ko) 2023-03-17

Family

ID=82249955

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200173638A KR102511282B1 (ko) 2020-12-11 2020-12-11 문서 수준 관계 추출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102511282B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102621869B1 (ko) 2023-04-24 2024-01-05 고려대학교 산학협력단 한국어 문서-수준 관계 추출 데이터셋 구축 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180138321A (ko) * 2017-06-21 2018-12-31 삼성전자주식회사 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
KR20190004525A (ko) * 2017-07-04 2019-01-14 주식회사 마인즈랩 문장 학습 시스템 및 문장 학습 방법
KR20200086586A (ko) * 2019-01-09 2020-07-17 주식회사 솔트룩스 온톨로지 기반의 프레임을 이용한 지식 추출 시스템
JP2020140674A (ja) * 2019-03-01 2020-09-03 富士ゼロックス株式会社 回答選択装置及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180138321A (ko) * 2017-06-21 2018-12-31 삼성전자주식회사 뉴럴 네트워크 모델을 이용한 기계 번역 방법, 장치 및 그 장치를 학습시키기 위한 방법
KR20190004525A (ko) * 2017-07-04 2019-01-14 주식회사 마인즈랩 문장 학습 시스템 및 문장 학습 방법
KR20200086586A (ko) * 2019-01-09 2020-07-17 주식회사 솔트룩스 온톨로지 기반의 프레임을 이용한 지식 추출 시스템
JP2020140674A (ja) * 2019-03-01 2020-09-03 富士ゼロックス株式会社 回答選択装置及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Alexis Conneau 외 4명, "Supervised Learning of Universal Sentence Representations from Natural Language Inference Data", arXiv:1705.02364 [cs.CL] , 2018.07., pp.1-12. 1부.* *
Kuekyeng Kim외 2명, "GREG: A Global Level Relation Extraction with Knowledge Graph Embedding", Applied Sciences, Vol.10(1181), 2020.02., pp.1-12. 1부.* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102621869B1 (ko) 2023-04-24 2024-01-05 고려대학교 산학협력단 한국어 문서-수준 관계 추출 데이터셋 구축 장치 및 방법

Also Published As

Publication number Publication date
KR102511282B1 (ko) 2023-03-17

Similar Documents

Publication Publication Date Title
JP7285895B2 (ja) 質問応答としてのマルチタスク学習
US11657233B2 (en) Systems and methods for unifying question answering and text classification via span extraction
Zhai et al. Neural models for sequence chunking
Xu et al. Convolutional neural network based triangular crf for joint intent detection and slot filling
JP7306062B2 (ja) ナレッジ・トランスファー方法、情報処理装置及び記憶媒体
Santos et al. Classifying relations by ranking with convolutional neural networks
EP3516591A1 (en) Neural machine translation systems
EP3489841A1 (en) Machine translation method and apparatus
CN112711948B (zh) 一种中文句子的命名实体识别方法及装置
Wang et al. Multi-view subword regularization
Foland et al. Dependency-based semantic role labeling using convolutional neural networks
US11693854B2 (en) Question responding apparatus, question responding method and program
CN113128203A (zh) 基于注意力机制的关系抽取方法、系统、设备及存储介质
Anastasyev et al. Improving part-of-speech tagging via multi-task learning and character-level word representations
JP7163618B2 (ja) 学習装置、学習方法、プログラム及び推定装置
KR20210029005A (ko) 딥러닝 기반의 가짜 뉴스를 탐지하는 방법 및 이를 수행하는 장치
KR102511282B1 (ko) 문서 수준 관계 추출 방법 및 장치
Reza et al. A customized residual neural network and bi-directional gated recurrent unit-based automatic speech recognition model
Yazdani et al. Incremental recurrent neural network dependency parser with search-based discriminative training
KR20220098628A (ko) 관계성 학습을 이용한 자연어 처리 시스템 및 방법
Hammond Data augmentation for low-resource grapheme-to-phoneme mapping
Dumitrescu et al. Racai’s natural language processing pipeline for universal dependencies
JP2020530151A (ja) データ処理装置における連続値の照合
JP7235136B2 (ja) ポーズ推定モデル学習装置、ポーズ推定装置、それらの方法、およびプログラム
Romero et al. Active learning in handwritten text recognition using the derivational entropy

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant