전장상황인식을 위한 지식베이스 임베딩 기반 유사 단어 추출에 관한 연구
A study on the Extraction of Similar Information using Knowledge Base Embedding for Battlefield Awareness
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
고도화된 무기체계와 복잡한 전략으로 인하여 지휘관이 분석하고 판단해야 할 정보의 복잡도가증가하고 있다. 지휘관의 적시적 판단을 위해서 전장의 정보를 지식화하고 분석할 수 있는 지능형 서비스가 필요하다. 지능형 서비스는 전장상황 정보로부터 지식을 추출하는 단계와 지식베이스를 구축하는 단계, 지식베이스로부터 전장상황을 분석하는 단계로 구성된다. 본 논문은 두 번째단계에서 구축 완료된 지식베이스를 임베딩함으로써 입력 쿼리와 유사한 정보를 추출하는 방안을연구한다. 지식베이스 임베딩을 위해 문장화 과정이 필요하며 random-walk 알고리즘을 적용한다. 문장화된 정보는 Word2Vec을 활용하여 벡터화되고 코사인 유사도를 통해 입력 쿼리와 유사한 정보를 찾는다. 본 논문에서는 오픈 지식베이스로부터 98개 개체를 기준으로 980개의 문장을 생성하고 100차원의 벡터로 임베딩함으로써 코사인 유사도 기반 유사 개체가 추출됨을 확인했다.
Abstract
Due to advanced complex strategies, the complexity of information that a commander must analyze is increasing. An intelligent service that can analyze battlefield is needed for the commander's timely judgment. This service consists of extracting knowledge from battlefield information, building a knowledge base, and analyzing the battlefield information from the knowledge base. This paper extract information similar to an input query by embedding the knowledge base built in the 2nd step. The transformation model is needed to generate the embedded knowledge base and uses the random-walk algorithm. The transformed information is embedding using Word2Vec, and Similar information is extracted through cosine similarity. In this paper, 980 sentences are generated from the open knowledge base and embedded as a 100-dimensional vector and it was confirmed that similar entities were extracted through cosine similarity.
참고문헌 (19)
- 조세현, "지능형 전장인식 서비스를 위한 지식베이스 구축 방안 연구", 한국컴퓨터정보학회논문지, 25(4), pp.11~17 (2020), 한국컴퓨터정보학회[DOI]
- M. Li, "GAIA at SM-KBP 2019-Amulti-media multi-lingual knowledge extractionand hypothesis generation system", TACSM-KMP (2019)
- Andersen, Carl F., "KB Construction and Hypothesis Generation Using SAMSON", TAC (2019)
- 진소연, "전장 인식 지능화를 위한 전장상황 다중추론 기술에 관한 연구", 한국통신학회논문지, 45(6), pp.1046~1055 (2020), 한국통신학회[DOI]
- "TAC（Text Analysis Conference) StreamingMultimedia Knowledge Base Population(SM-KBP) 2019 guidelines"[URL]
- Hasim Sak, "Franscois Beaufays "Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling", proc. Interspeech
- Zhiheng Huang, "Bidirectional LSTM-CRF Models for Sequence Tagging", arXiv preprint arXiv:1508.01991, ~ (2015)
- Devlin, Jacob, "Bert: Pre-training of deep bidirectional transformers for language understanding", arXiv preprint arXiv:1810.04805, ~ (2018)
- T. Mikolov, "Efficient estimation of word representations in vector space", Proceedings of ICLR Workshops Track (2013)
- P. Bojanowski, "Enriching word vectors with subword information", Transactions of the Asociation for Computational Linguistics, pp.135~146 (2017)
- J. Penington, "Glove: Global vectors for word representation", Procedings of the 2014 conference on empirical methods in naturalanguage procesing (EMNLP), pp.1532~1543 (2014)
- 강형석, "Word2vec 및 fastText 임베딩 모델의 성능 비교", 디지털콘텐츠학회논문지, 21(7), pp.1335~1343 (2020), 한국디지털콘텐츠학회[DOI]
- Bryan Perozzi, "Deepwalk:Online learning of social representations", Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, pp.701~710 (2014), ACM
- Aditya Grover, "node2vec: Scalable feature learning for networks", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016), ACM
- Petar Ristoski, "RDF2Vec: RDF Graph Embeddings and Their Applications", Semantic Web, 10(4), pp.721~752 (2018)
- "pyRDF2Vec: Python Implementation and Extension of RDF2Vec" (2020)[URL]
- K. Clark, "ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators", Int. Conf. Learning Representations (2020)
- "KoBERT"[URL]
- "KoELECTRA"[URL]