독일어 대화 자동요약을 위한 핵심 발화쌍 추출 연구
Zur Extraktion von Schlüsseläußerungspaaren für die automatische Zusammenfassung eines deutschen Gesprächs
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
본 논문은 독일어 대화 요약을 위하여 대화에서 등장하는 핵심 표현을 대화 구조를 바탕으로 추출하는기법을 다룬다. 기존 연구와 달리 본 연구에서 제안하는 방법론은 화자들이 각자 하나씩 발화하였고 인접화행쌍에 속하는 두 발화로 이루어진 발화쌍을 대화 요약을 위한 핵심 표현의 후보로 삼는다. 이러한 조건을만족하는 후보 발화쌍 중에서 인접쌍의 확장 유형에의 포함 여부, 발화의 등장 위치, BERT 임베딩 기반의의미적 대표성 등의 언어학적 자질을 사용하여 핵심 발화쌍을 추출한다. 본 연구에서 제안한 추출 기법을검증하기 위해 독일어 대화 코퍼스를 대상으로 핵심 발화쌍을 자동 추출하는 기계학습 실험을 수행하였다. 나이브 베이즈, 랜덤 포레스트 등의 다양한 기계학습 알고리즘을 적용하였으며, 핵심 발화쌍 자동 추출 정확도는 평균 91.83%로 나타났다. 제안하는 언어학적 자질을 평가하기 위해 문장의 의미만을 고려한 딥러닝기반의 Textrank 모델과 비교한 결과 본 논문에서 제안하는 모델이 약 20%p 더 높은 정확도를 보였다.
Abstract
In der vorliegenden Arbeit wird eine Methode zur Extraktion von Schlüsselinformationen und linguistischen Merkmalen für die automatische Zusammenfassung eines deutschen Gesprächs vorgestellt. Um ein Gespräch zusammenzufassen, ist es wichtig herauszufinden, welche der im Gespräch vorkommenden Äußerungen die wichtigsten sind. Meistens stützen sich die vorherigen Studien dafür auf lexikalische Informationen des Gesprächs. Für die Gesprächszusammenfassungen ist es aber auch wichtig, die Interaktionen zwischen Sprechern im Gespräch zu verstehen. Unsere automatische Extraktionsmethode unterscheidet sich von vorherigen Studien in zwei Punkten. Erstens, wir extrahieren die Schlüsselausdrücke nicht direkt aus dem Gespräch, sondern aus den Interaktionseinheiten, in denen ein Gespräch segmentiert ist. Zweitens, die extrahierten Schlüsselausdrücke sind immer Äußerungspaare, die aus zwei Äußerungen, die von zwei Sprechern gemacht werden, bestehen. Nach der Auswahl von Kandidaten-Äußerungspaaren, die diese Bedingungen erfüllen, werden Schlüsseläußerungspaare mithilfe linguistischer Merkmale extrahiert. Ein Experiment mittels maschinellem Lernens wurde durchgeführt, um die vorgeschlagene Extraktionsmethode zu überprüfen. Verschiedene maschinelle Lernalgorithmen wie Naive Bayes oder Random Forest wurden angewendet. Unser Modell zeigte eine durchschnittliche Korrektheit von 91,83% bei der automatischen Extraktion der Schlüsseläußerungspaare. Das Modell unserer vorgeschlagenen Methode hat eine um etwa 20%p höhere Korrektheit als das vorhandene Textrank-basierte Modell.
참고문헌 (23)
- 강길호, "커뮤니케이션 목표와 체면 전략", 한국언론학보, 27, pp.5~29 (1992), 한국언론학회
- 구영은, "독일어 대화체 문장의 화행 분석과 화행 자동분류에 대한 연구", 석사, pp.2018
- 구영은, "독일어 대화의 자동 분절 방법 – 대화 자동 요약을 위하여", 독어독문학, 62(4), pp.77~98 (2021), 한국독어독문학회[DOI]
- 김해연, "담화분석" (2016), 종합출판 EnG
- 이명선, "치매 노인환자와 간호사의 대화 분석: 대화의 구조와 연속체 형태를 중심으로", Journal of Korean Academy of Nursing, 39(2), pp.166~176 (2009), 한국간호과학회
- Alami N., "Using Unsupervised Deep Learning for Automatic Summarization of Arabic Documents", Arabian Journal for Science and Engineering (2018)
- Arundale R., "Constituting face in conversation: Face, facework, and interactional achievement", Journal of Pragmatics, 42, pp.2078~2105 (2010)
- Brin S, "The anatomy of a large-scale hypertextual web search engine", Computer networks and ISDN systems, 30, pp.107~117 (1998)
- Brown P, "Politeness: some universals in language usage" (1987), Cambridge University Press
- Cheng J., "Neural Summarization by Extracting Sentences and Words", Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics, pp.484~494 (2016)
- Devlin J., "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding", Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies(NAACL-HLT), pp.4171~4186 (2019)
- Goffman E., "Interaction ritual: Essays on face to face behaviour", pp.149~270 (1967), Anchor
- Gurevych I., "Adapting lexical chaining to summarize conversational dialogues", Proceedings of Recent Advances in Natural Language Processing, pp.212~218 (2005)
- Gurevych I, "Semantic similarity applied to spoken dialogue summarization", Proceedings of the 20th International Conference on Computational Linguistics (COLING 2004), pp.764~770 (2004)
- Jurafsky Daniel, "Switchboard SWBD-DAMSL Shallow-Discourse-Function Annotation Coders Manual", ~ (1997)
- Kobayashi S., "Extracting summarization of lectures based on linguistic surface and prosodic information", Proceedings of ISCA&IEEE Workshop on Spontaneous Speech Processing and Recognition, pp.211~214 (2003)
- Mihalcea R., "Graph-based ranking algorithms for sentence extraction, applied to text summarization", Proceedings of the ACL interactive poster and demonstration sessions, pp.170~173 (2004)
- Nallapati R, "SummaRuNNer: A Recurrent Neural Network Based Sequence Model for Extractive Summarization of Documents", Proceedings of the 31th AAAI conference on artificial intelligence (2017)
- "2016", ~
- SchegloffE., "Sequence organization in interaction" (2007), Cambridge University Press
- SchegloffE, "Opening up closings", Semiotica, 8(4), pp.289~327 (1973)
- Togashi S., "Summarization of spoken lectures based on linguistic surface and prosodic information", Proceedings of 2006 IEEE Spoken Language Technology Workshop, pp.34~37 (2006)
- Yousefi-Azar M, "Text summarization using unsupervised deep learning", Expert Systems with Applications, 68, pp.93~105 (2017)