독일어 대화의 자동 분절 방법 – 대화 자동 요약을 위하여
Automatische Segmentierung von deutschem Dialog – Für die automatische Zusammenfassung eines deutschen Dialogs
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
대화는 화자 간의 다양한 상호작용들로 구성된다. 대화라는 의사소통을 통해 어떤 상호작용이 발생했는지 파악하는 것은 대화를 이해하는 데에 매우 중요하다. 본 논문은 독일어 대화 요약을 위해 대화 내 발생하는 상호작용 단위로 대화를 분절하고자 하였다. 대화 분절은 대화를 작은 단위로 나누는 과정으로, 관련 있는 문장끼리 묶어서 대화의 구조 및 내용을 파악할 수 있게 한다. 본 논문은 대화 분절에서 발화문의 대화적 특징이 갖는 중요성을 지적하고, 대화 요약에 적합한 단위로 대화를 분절하기 위해 다양한 언어학적 성질을 제안한다. 이를 검증하기 위해 문장 임베딩을 포함한 딥러닝 방법론이 활용된 기계학습 실험을 진행하였다. 그 결과 제안한 언어학적 요소들을 모두 적용하면 자동 분절 정확도가 83.56%로 나타났다. 특히 본 논문에서 강조하는 대화적 특징을 사용하면 기존 연구에서 주장한 음성·어휘·의미적 특징만을 사용할 때에 비해 정확도가 약 5%p 향상하는 것을 알 수 있었다. 이를 통해 인간이 대화를 상호작용 단위로 나누어 이해하는 데에 대화적 자질을 포함한 다양한 언어학적 특징을 활용한다는 점을 발견하였다.
Abstract
Ein Dialog besteht aus verschiedenen Interaktionen zwischen Sprechern. Zu erfassen, welche Interaktionen in einem Dialog stattgefunden haben, ist einer der wichtigsten Aspekte beim Verstehen eines Dialogs. In dieser Arbeit wird versucht, Dialoge in Interaktionseinheiten zu unterteilen, um deutsche Dialoge zusammenzufassen. Eine Dialogsegmentierung ist der Prozess, einen Dialog in kleinere Einheiten aufzuteilen. Die Dialogsegmentierung wird in vielen Studien zur Dialogsmodellierung, wie z. B. in der Dialogzusammenfassung und im Information Retrieval, verwendet, weil sie ermöglicht, die Struktur und den Inhalt von Dialogen zu erfassen, indem verwandte Sätze miteinander verbunden werden. Diese Arbeit betont, wie wichtig Dialoginformationen bei der Dialogsegmentierung für die Dialogzusammenfassung sind, und schlägt verschiedene linguistische Merkmale vor, um den Dialog in für die Dialogzusammenfassung geeigneten Einheiten zu segmentieren. Darüber hinaus wurde ein Experiment mittels maschinellem Lernen durchgeführt, das Dialoge, mithilfe einer Deep-Learning-Methodik einschließlich Satzeinbettung, automatisch segmentiert. Das Experiment zeigt, dass der vorgestellte Ansatz, der alle vorgeschlagenen linguistischen Merkmale verwendet, für die automatische Dialogsegmentierung eine Korrektheit von 83,56% aufweist. Insbesondere wird die Korrektheit um etwa 5%p verbessert, wenn die Dialoginformationen, die diese Arbeit betont, als Merkmale des maschinellen Lernens hinzugefügt werden. Durch diese Arbeit wurde festgestellt, dass Menschen verschiedene linguistische Merkmale, insbesondere Dialoginformationen, verwenden, um zu verstehen, wie aufeinanderfolgende Äußerungen im Dialog als Interkationseinheit miteinander verbunden sind.
참고문헌 (42)
- 강창우, "화행 유형의 하위분류 가능성과 그 문제점", 독어학, (9), pp.195~215 (2004), 한국독어학회
- 강창우, "언어표현과 발화의도의 상관관계", 인문논총, (57), pp.183~209 (2007), 인문학연구원[DOI]
- 구영은, "독일어 대화체 문장의 화행 분석과 화행 자동분류에 대한 연구", 석사, pp.2018
- 구영은, "한국어 수업 대화의 화행 분석과 화행 자동분류를 위한 언어학적 기반연구", 정보과학회논문지, 45(8), pp.807~815 (2018), 한국정보과학회[DOI]
- 구영은, "범도메인 대화에서의 화행 자동분류", 독어학, (39), pp.25~48 (2019), 한국독어학회[DOI]
- 박용익, "수업대화의 기능단계와 대화이동 연속체원형", 텍스트언어학, 2, pp.347~374 (1994), 한국텍스트언어학회
- 박용익, "대화문법이론", 독일문학, 52, pp.373~402 (1994), 한국독어독문학회
- 서종훈, "‘쉼(pause)’에 대한 국어교육적 고찰", 언어과학연구, (64), pp.179~204 (2013), 언어과학회
- 스튜어트, 존, "소통: 협력적인 의사소통의 방법" (2015), 커뮤니케이션북스
- 조국현, "화행과 청행", 독어독문학, 45(4), pp.385~405 (2004), 한국독어독문학회
- Arguello, J., "Topic-segmentation of dialogue", Proceedings of the Analyzing Conversations in Text and Speech, pp.42~49 (2006)
- Bojanowski, P., "Enriching word vectors with subword information", Transactions of the Association for Computational Linguistics, 5, pp.135~146 (2017)
- Clift, R., "Conversation analysis" (2016), Cambridge University Press
- 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)
- Dharanipragada, S., "Statistical methods for topic segmentation", Proceedings of the Sixth International Conference on Spoken Language Processing, pp.516~519 (2000)
- Franke, W., "Elementare Dialogstrukturen" (1990), De Gruyter
- Galley, M., "Discourse segmentation of multi-party conversation", Proceedings of the 41st Annual Meeting of the Association for Computational Linguistics, pp.562~569 (2003)
- Grosz, B., "Attention, intentions, and the structure of discourse", Computational linguistics, 12(3), pp.175~204 (1986)
- Hearst, M. A., "Text Tiling: Segmenting text into multi-paragraph subtopic passages", Computational linguistics, 23(1), pp.33~64 (1997)
- Hochreiter, S., "Long short-term memory", Neural computation, 9(8), pp.1735~1780 (1997)
- Hsueh, P. Y., "Combining multiple knowledge sources for dialogue segmentation in multimedia archives", Proceedings of the 45th annual meeting of the association of computational linguistics, pp.1016~1023 (2007)
- Switchboard SWBD-DAMSL Shallow-Discourse-Function Annotation Coders Manual, "Jurafsky, D.", Institute of Cognitive Science, ~ (1997)
- König, "Zur Bedeutung von Modalpartikeln im Deutschen: Ein Neuansatz im Rahmen der Relevanztheorie", Germanistische Linguistik, 136, pp.57~75 (1997)
- Koshorek, O., "Text Segmentation as a Supervised Learning Task", Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), pp.469~473 (2018)
- Lukasik, M., "Text Segmentation by Cross Segment Attention", Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp.4707~4716 (2020)
- Mikolov, T., "Efficient estimation of word representations in vector space", arXiv preprint arXiv:1301.3781, 1~12 (2013)
- Murray, G., "Automatic segmentation and summarization of meeting speech", Proceedings of the Annual Conference of the North American Chapter of the Association for Computational Linguistics-Human Language Technologies (NAACL-HLT), pp.9~10 (2007)
- Oard, D. W., "Building an information retrieval test collection for spontaneous conversational speech", Proceedings of the 27th annual international ACM SIGIR conference on Research and development in information retrieval, pp.41~48 (2004)
- Pennington, J., "Glove: Global vectors for word representation", Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), pp.1532~1543 (2014)
- Peters, M., "Deep Contextualized Word Representations", Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), pp.2227~2237 (2018)
- Riedl, M., "Topictiling: a text segmentation algorithm based on lda", Proceedings of ACL 2012 Student Research Workshop, pp.37~42 (2012)
- Sacks, H., "Studies in the organization of conversational interaction", pp.7~55 (1978), Academic Press
- Schegloff, E. A., "Sequencing in Conversational Openings", American Anthropologist, 70(6), pp.1075~1095 (1968)
- Schegloff, E. A., "Sequence organization in interaction: A primer in conversation analysis, Vol 1" (2007), Cambridge university press
- Song, Y., "Dialogue Session Segmentation by Embedding-Enhanced TextTiling", Interspeech 2016, 2016, pp.2706~2710 (2016)
- Spiegel, C., "Text- und Gesprächslinguistik" (2001), De Gruyter
- Thomas Spranz-Fogasy, "의사-환자의 대화행위 구조 분석", 의료커뮤니케이션, 3(1), pp.39~47 (2008), 대한의료커뮤니케이션학회
- Stede, M., "Exploring the Lexicon - Theory and Computation", pp.1~15 (2002), Edizioni dell'Orso
- Vaswani, A., "Attention is all you need", Proceedings of the Advances in neural information processing systems, pp.5998~6008 (2017)
- Wang, Y., "Toward Fast and Accurate Neural Discourse Segmentation", Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp.962~967 (2018)
- Xing, L., "Improving Unsupervised Dialogue Topic Segmentation with Utterance-Pair Coherence Scoring", arXiv preprint arXiv:2106.06719, 1~11 (2021)
- Zechner, K., "DiaSumm: flexible summarization of spontaneous dialogues in unrestricted domains", Proceedings of the 18th conference on Computational linguistics, pp.968~974 (2000)