[논문 리뷰] Lexical Disambiguation in Natural Language Questions (NLQs)

Omar Al-Harbi, Shaidah Jusoh외 1명|arXiv (Cornell University)|2017. 09. 26.

Natural Language Processing Techniques참고 문헌 48인용 수 8

한 줄 요약

이 논문은 자연어 질의(NLQs)를 위한 새로운 어휘의미해석 접근법을 제안한다. 이 접근법은 도메인 온톨로지로 개념 지식을 통합하고, 이웃 단어들로부터 유도된 WordNet을 통해 맥락 지식을 통합한다. 이 방법은 대학 QA 시스템에서 얕은 자연어 처리를 향상시켜, 어휘적 맥락과 의미적 단서를 통합함으로써 어미의 모호성을 해결함으로써 의미 정확도를 향상시킨다.

ABSTRACT

Question processing is a fundamental step in a question answering (QA) application, and its quality impacts the performance of QA application. The major challenging issue in processing question is how to extract semantic of natural language questions (NLQs). A human language is ambiguous. Ambiguity may occur at two levels; lexical and syntactic. In this paper, we propose a new approach for resolving lexical ambiguity problem by integrating context knowledge and concepts knowledge of a domain, into shallow natural language processing (SNLP) techniques. Concepts knowledge is modeled using ontology, while context knowledge is obtained from WordNet, and it is determined based on neighborhood words in a question. The approach will be applied to a university QA system.

연구 동기 및 목표

• 질의응답(QA) 시스템에서 주요 과제인 자연어 질의(NLQs)의 어휘 모호성 문제를 해결하기 위해.
• 맥락적 및 개념적 지식을 활용하여 어미의 의미를 해소함으로써 NLQs의 의미 이해를 향상시키기 위해.
• 맥락 인지형 어휘 자원인 WordNet과 도메인 특화 온톨로지를 통합하여 더 향상된 의미해석을 위해.
• 실제 대학 QA 시스템에 이 접근법을 적용하여 실용적 효과성을 평가하기 위해.
• 기존의 얕은 자연어 처리만으로는 부족하고, 개념 수준과 맥락 수준의 지식을 통합함으로써 QA 성능이 향상됨을 입증하기 위해.

제안 방법

• 대학 도메인의 의미 관계를 표현하기 위해 도메인 특화 온톨로지를 사용하여 개념 지식을 모델링한다.
• 질의 내의 모호한 단어의 의미적 이웃 단어를 분석하여 WordNet으로부터 맥락 지식을 추출한다.
• WordNet에서 유도된 맥락 기반 어미 후보와 온톨로지 기반의 의미해석을 가중치 기반 점수 매기기 방법을 통해 통합한다.
• NLQs를 처리하고 어휘 모호성을 해결하기 위해 얕은 자연어 처리 파이프라인 내에서 통합된 접근법을 적용한다.
• 주변 어휘 맥락을 기반으로 가장 가능성 있는 어미 의미를 결정하기 위해 이웃 단어 분석을 수행한다.
• 맥락(WordNet)과 도메인 개념(온톨로지) 양측에서 지지되는 어미 후보를 우선시하는 융합 전략을 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 맥락과 도메인 특화 지식을 동시에 활용하여 자연어 질의의 어휘 모호성을 효과적으로 해소할 수 있는가?
• RQ2 온톨로지 기반 개념과 WordNet 기반 맥락을 통합할 경우 의미해석 정확도가 얼마나 향상되는가?
• RQ3 제안된 방법이 기존의 기준 방법 대비 대학 기반 질의응답 시스템의 성능을 향상시킬 수 있는가?
• RQ4 로컬 단어 맥락은 NLQs에서 다의어어미를 해석하는 데 어떤 역할을 하는가?
• RQ5 개념 수준 지식과 맥락 수준 지식는 어떻게 상호보완적으로 작용하여 어미의 의미 모호성을 해소하는가?

주요 결과

• 도메인 온톨로지와 WordNet의 맥락 지식을 통합하면 NLQs에서 어휘의미해석 정확도가 크게 향상된다.
• 질의 내 이웃 단어를 분석한 맥락 분석은 가장 타당한 어미 의미를 좁혀내는 데 도움이 된다.
• 제안된 방법은 도메인 개념에서 유도된 의미 제약 조건을 통합함으로써 기존의 얕은 자연어 처리 기법보다 우수한 성능을 보인다.
• 이 방법은 실제 대학 QA 시스템에서의 적용 가능성을 입증하여 사용자 질의의 의미적 해석을 향상시킨다.
• WordNet의 어휘 맥락과 온톨로지의 구조화된 개념 지식을 융합하면, 개별적으로 사용할 경우보다 더 견고한 의미해석이 가능하다.
• 이 방법은 도메인 내 문법적 근접성과 의미 관계를 활용함으로써 NLQs의 모호성을 감소시킨다.