[논문 리뷰] Modeling meaning: computational interpreting and understanding of natural language fragments

Michael Kapustin, Pavlo Kapustin|arXiv (Cornell University)|2015. 05. 29.

Natural Language Processing Techniques인용 수 4

한 줄 요약

이 논문은 정량적 의미 정보를 캐릭터라이즈하는 구성적이고 맥락 민감한 지식 표현을 통해 자연어 조각의 의미를 모델링하는 새로운 계산 프레임워크를 제시한다. 이는 의미의 불확실성과 동적 지식 통합을 가능하게 하며, 맥락에 따라 해석 가능한 의미를 탐지하고 선택함으로써 모호하거나 불완전한 언어를 이해할 수 있도록 한다.

ABSTRACT

In this introductory article we present the basics of an approach to implementing computational interpreting of natural language aiming to model the meanings of words and phrases. Unlike other approaches, we attempt to define the meanings of text fragments in a composable and computer interpretable way. We discuss models and ideas for detecting different types of semantic incomprehension and choosing the interpretation that makes most sense in a given context. Knowledge representation is designed for handling context-sensitive and uncertain / imprecise knowledge, and for easy accommodation of new information. It stores quantitative information capturing the essence of the concepts, because it is crucial for working with natural language understanding and reasoning. Still, the representation is general enough to allow for new knowledge to be learned, and even generated by the system. The article concludes by discussing some reasoning-related topics: possible approaches to generation of new abstract concepts, and describing situations and concepts in words (e.g. for specifying interpretation difficulties).

연구 동기 및 목표

• 맥락 내에서 단어와 어구 의미를 모델링하기 위한 계산적으로 해석 가능한 방법을 개발하는 것.
• 맥락적 추론를 통해 모호성과 불완전성을 탐지하고 해결함으로써 자연어에서 의미의 불완전성을 다루는 것.
• 확장 가능한 새로운 지식을 수용할 수 있도록 맥락 민감하고 불확실하고 모호한 정보를 지원하는 지식 표현을 설계하는 것.
• 시스템이 기존 지식의 조합을 통해 새로운 추상적 개념을 생성하거나 학습하고, 자연어로 해석 곤란함을 기술할 수 있도록 하는 것.
• 정적 의미 사전을 넘어서 자연어 이해에서의 추론과 해석을 지원하는 것.

제안 방법

• 이 접근법은 개념의 정량적 본질을 포착하는 구성적 지식 표현을 사용하여 의미에 대한 형식적 추론을 가능하게 한다.
• 맥락 민감성을 모델링하기 위해 맥락 제약 조건과 가용 정보에 따라 해석을 동적으로 조정한다.
• 의미의 불완전성은 해석 시도의 비일관성 또는 공리성 부족을 분석함으로써 탐지된다.
• 시스템은 맥락과 기존 지식과의 호환성 평가를 통해 가장 타당한 해석을 선택한다.
• 표현은 재학습 없이도 점진적 학습과 새로운 정보의 통합을 지원한다.
• 추상적 개념은 기존 지식 구성 요소의 구조적 및 의미적 조합을 통해 생성된다.

실험 결과

연구 질문

• RQ1 어떻게 자연어 조각을 계산적으로 해석 가능하고 맥락 민감한 방식으로 이해할 수 있는가?
• RQ2 어떤 메커니즘이 모호하거나 불완전한 언어에서 의미의 불완전성을 탐지하고 해결할 수 있는가?
• RQ3 지식 표현 모델은 자연어 이해에서 불확실성과 모호한 정보를 어떻게 다룰 수 있는가?
• RQ4 시스템은 기존 지식의 조합을 통해 어떻게 새로운 추상적 개념을 생성하거나 학습할 수 있는가?
• RQ5 의해석 곤란함은 어떤 방식으로 자연어 어휘로 기술되고 진단될 수 있는가?

주요 결과

• 프레임워크는 맥락 인식형 정량적 지식 표현을 통해 자연어 조각의 계산적 이해를 가능하게 한다.
• 의미의 불완전성은 해석 후보의 일관성과 공리성 평가를 통해 체계적으로 탐지된다.
• 시스템은 저장된 의미 지식에 대한 형식화된 추론 과정을 통해 가장 맥락에 부합하는 해석을 선택한다.
• 지식 표현은 새로운 정보의 동적 통합과 새로운 맥락에 대한 적응을 지원한다.
• 이 방법은 기존 의미 구성 요소의 조합을 통해 새로운 추상적 개념의 생성을 가능하게 한다.
• 의해석 곤란함은 자연어로 표현 가능하여 시스템이 자신의 추론 곤란함을 스스로 기술할 수 있다.