[논문 리뷰] A Computational Approach to Measuring the Semantic Divergence of Cognates

Ana Sabina Uban, Alina-Maria Ciobanu외 1명|arXiv (Cornell University)|2020. 12. 02.

Natural Language Processing Techniques인용 수 4

한 줄 요약

이 논문은 관련 언어, 특히 라틴어와 로망스어를 중심으로 공통어의 의미적 이탈을 정량적으로 측정하기 위해 교차 언어 단어 임베딩 기반 방법을 제안한다. 의미가 다름에도 불구하고 유사어로 오해되기 쉬운 '거짓 친구'(meaning이 다른 공통어)를 탐지하고, '어려운'과 '부드러운' 거짓 친구로의 구분을 제공하며, 수정 제안까지 가능하게 하는 프레임워크를 도입하여 수작업으로 검증된 데이터셋에서 최대 88.46%의 재현율을 달성한다.

ABSTRACT

Meaning is the foundation stone of intercultural communication. Languages are continuously changing, and words shift their meanings for various reasons. Semantic divergence in related languages is a key concern of historical linguistics. In this paper we investigate semantic divergence across languages by measuring the semantic similarity of cognate sets in multiple languages. The method that we propose is based on cross-lingual word embeddings. In this paper we implement and evaluate our method on English and five Romance languages, but it can be extended easily to any language pair, requiring only large monolingual corpora for the involved languages and a small bilingual dictionary for the pair. This language-agnostic method facilitates a quantitative analysis of cognates divergence -- by computing degrees of semantic similarity between cognate pairs -- and provides insights for identifying false friends. As a second contribution, we formulate a straightforward method for detecting false friends, and introduce the notion of "soft false friend" and "hard false friend", as well as a measure of the degree of "falseness" of a false friends pair. Additionally, we propose an algorithm that can output suggestions for correcting false friends, which could result in a very helpful tool for language learning or translation.

연구 동기 및 목표

• 관련 언어 간 공통어 쌍 간의 의미적 이탈을 정량적으로 측정하기 위한 언어 독립적 방법을 개발하는 것.
• 교차 언어 단어 임베딩를 사용하여 의미가 다른 공통어인 '거짓 친구'를 자동으로 탐지하는 것.
• '어려운'과 '부드러운' 거짓 친구 간의 구분을 도입하고, 이를 개선된 탐지에 활용할 수 있는 '거짓성' 측도를 정의하는 것.
• 언어 학습 및 번역 시스템을 지원하기 위해 거짓 친구에 대한 수정 제안 알고리즘을 제공하는 것.
• 수작업 및 WordNet 기반 기준을 사용하여, 여러 로망스어와 영어를 대상으로 성능을 평가하는 것.

제안 방법

• 메서드는 대규모 단어어 단일 언어 코퍼스와 소규모 双어 사전으로 훈련된 교차 언어 단어 임베딩를 사용하여, 공통어 쌍 간의 의미 유사도를 계산한다.
• 의미적 이탈은 언어 쌍 간의 단어 임베딩 간의 쌍별 유사도 측도를 통해 측정된다.
• 분류기는 임베딩 유사도 점수를 특징으로 사용하여 진정한 공통어와 거짓 친구를 구분한다.
• 프레임워크는 거짓 친구 쌍이 얼마나 오해의 소지가 있는지 정량화하는 '거짓성' 측도를 도입하여, '어려운'과 '부드러운' 거짓 친구로의 구분을 가능하게 한다.
• 수정 제안을 위해 모델은 맥락 내에서 의미적으로 가장 적절한 단어를 찾기 위해 임베딩 공간의 근접도를 활용한다.
• 평가에서는 수작업으로 구성된 테스트 세트와 WordNet 기반 기준을 모두 사용하여, 여러 언어 쌍 간의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 교차 언어 임베딩를 사용하여 관련 언어의 공통어 간 의미적 이탈을 어떻게 정량적으로 측정할 수 있는가?
• RQ2 교차 언어 단어 임베딩는 로망스어의 공통어 쌍 간에서 거짓 친구를 얼마나 잘 탐지할 수 있는가?
• RQ3 임베딩 유사도를 사용하여 '어려운'과 '부드러운' 거짓 친구 간의 의미 있는 구분과 측도를 정의하고 측정할 수 있는가?
• RQ4 기존 방법과 비교해 볼 때, 제안된 방법은 거짓 친구 식별 및 수정 제안에 얼마나 효과적인가?
• RQ5 의미적 이탈 측도는 언어 관계의 기존 언어학적 분류와 일치하는가?

주요 결과

• 스페인어와 포르투갈어는 로망스어 쌍 중에서 가장 높은 의미 유사도를 보였으며, 이는 가장 가까운 의미적 이탈을 의미한다.
• 루마니아어는 라틴어로부터 가장 큰 의미적 이탈을 보였는데, 이는 라틴어 언어 핵심 지역으로부터의 지리적·역사적 거리 때문일 것이다.
• 수작업으로 검증된 영어-스페인어 거짓 친구 탐지 작업에서 메서드는 88.46%의 재현율을 달성하여 거짓 친구 식별 성능이 뛰어나다는 것을 보여주었다.
• WordNet 기반 평가에서는 영어-포르투갈어 쌍에서 77.25%의 정확도를 기록했으며, 정밀도 및 재현율 값은 중간에서 높은 성능을 반영하고 있다.
• 의미적 이탈 기반 언어 군집화는 기존의 로망스어 역사 트리와 일치하는 계층을 생성하였다.
• 영어는 라틴어의 어휘를 빌려 쓰긴 했지만, 의미적 유사도가 현대 로망스어 수준과 유사했으며, 이는 공통된 의미적 진화를 반영하고 있다.