[논문 리뷰] Automatically Identifying Morphological Relations in = Machine-Readable Dictionaries

Joseph Pentheroudakis, Lucy Vanderwende외 1명|ArXiv.org|1994. 11. 08.

Natural Language Processing Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 의미 분석을 통해 어감 정의의 의미적 내용을 기반으로 유도어근 관계를 자동으로 식별하는 방법을 제안한다. 의미적 분석을 통해 파생어의 어미를 기본 형태와 연결하고, 이 연결에 대한 신뢰도 점수를 계산하여 비표준 형태의 처리를 강력하게 보장하며, 자연어 처리(NLP) 시스템에 통합하기 위해 유도어근 그래프를 방향성 있게 구성한다.

ABSTRACT

We describe an automated method for identifying classes of morphologically related words in an on-line dictionary, and for linking individual senses in the derived form to one or more senses in the base form by means of morphological relation attributes. We also present an algorithm for computing a score reflecting the system=92s certainty in these derivational links; this computation relies on the content of semantic relations associated with each sense, which are extracted automatically by parsing each sense definition and subjecting the parse structure to automated semantic analysis. By processing the entire set of headwords in the dictionary in this fashion we create a large set of directed derivational graphs, which can then be accessed by other components in our broad-coverage NLP system. Spurious or unlikely derivations are not discarded, but are rather added to the dictionary and assigned a negative score; this allows the system to handle non-standard uses of these forms.

연구 동기 및 목표

• 기계로 읽을 수 있는 사전 내 단어 간의 파생어근 관계를 자동으로 식별하는 것.
• 어근 관계 속성에 기반해 유도어의 어미를 기본 형태의 해당 어미와 연결하는 것.
• 어미 정의의 의미적 내용을 바탕으로 각 파생어근 연결에 대한 신뢰도 점수를 계산하는 것.
• 의심스럽거나 비표준 파생어를 음수 점수를 부여하여 유지함으로써 시스템의 강건성을 향상시키는 것.
• 광범위한 커버리지의 NLP 시스템에 통합 가능한 대규모 유도어근 방향 그래프를 생성하는 것.

제안 방법

• 사전의 각 어미 정의를 분석하여 문법적 및 의미적 구조를 추출하는 것.
• 분석된 구조에 대해 자동 의미 분석을 적용하여 어미 관계와 관련된 내용을 추출하는 것.
• 연결된 어미 간의 의미 유사도와 일관성을 기반으로 각 파생어근 연결에 대한 신뢰도 점수를 계산하는 것.
• 어근 관계를 그래프의 방향성 간선으로 표현하며, 기본 형태를 원천으로, 유도어를 대상으로 삼는 것.
• 불가능하거나 의심스러운 파생어에 대해 음수 점수를 할당하여 향후 필터링이나 분석을 위해 유지하는 것.
• 전체 사전을 처리하여 NLP 통합을 위한 포괄적인 파생어근 그래프 세트를 구성하는 것.

실험 결과

연구 질문

• RQ1 기계로 읽을 수 있는 사전에서 파생어근 관계를 어떻게 자동으로 식별할 수 있는가?
• RQ2 어미 정의의 의미적 내용이 파생어근 연결을 검증하는 데 어떤 역할을 하는가?
• RQ3 의미 분석을 통해 파생어근 연결의 신뢰도를 정량적으로 평가하는 방법은 무엇인가?
• RQ4 비표준 또는 의심스러운 파생어는 폐기 대신 효과적으로 유지하고 점수를 매길 수 있는가?
• RQ5 자동으로 생성된 파생어근 그래프가 광범위한 커버리지의 NLP 시스템을 얼마나 잘 지원할 수 있는가?

주요 결과

• 시스템은 어미 정의의 의미 분석을 기반으로 기본형과 유도어의 파생어근 연결을 성공적으로 식별하고 점수를 매긴다.
• 신뢰도 점수는 의미적 내용을 바탕으로 계산되어 가능성이 높은 연결과 낮은 연결을 구분할 수 있다.
• 의심스럽거나 비표준 파생어는 음수 점수를 부여하여 유지되어 시스템의 강건성이 향상된다.
• 이 방법은 넓은 범위의 NLP 아키텍처에 통합 가능한 대규모의 방향성 파생어근 그래프를 생성한다.
• 이상형 또는 비표준 어형은 낮지만 0이 아닌 신뢰도 점수를 할당받음으로써 처리가 가능해진다.
• 시스템은 사전 데이터로부터 스케일러블하고 자동화된 어근 관계 추출의 가능성에 대한 타당성을 입증한다.