독일어 대화의 자동 분절 방법 – 대화 자동 요약을 위하여 (Automatische Segmentierung von deutschem Dialog – Für die automatische Zusammenfassung eines deutschen Dialogs)

서지정보

· 발행기관 : 한국독어독문학회
· 수록지 정보 : 독어독문학 / 62권 / 4호 / 77 ~ 98페이지
· 저자명 : 구영은, 홍문표

초록

대화는 화자 간의 다양한 상호작용들로 구성된다. 대화라는 의사소통을 통해 어떤 상호작용이 발생했는지 파악하는 것은 대화를 이해하는 데에 매우 중요하다. 본 논문은 독일어 대화 요약을 위해 대화 내 발생하는 상호작용 단위로 대화를 분절하고자 하였다. 대화 분절은 대화를 작은 단위로 나누는 과정으로, 관련 있는 문장끼리 묶어서 대화의 구조 및 내용을 파악할 수 있게 한다. 본 논문은 대화 분절에서 발화문의 대화적 특징이 갖는 중요성을 지적하고, 대화 요약에 적합한 단위로 대화를 분절하기 위해 다양한 언어학적 성질을 제안한다. 이를 검증하기 위해 문장 임베딩을 포함한 딥러닝 방법론이 활용된 기계학습 실험을 진행하였다. 그 결과 제안한 언어학적 요소들을 모두 적용하면 자동 분절 정확도가 83.56%로 나타났다. 특히 본 논문에서 강조하는 대화적 특징을 사용하면 기존 연구에서 주장한 음성·어휘·의미적 특징만을 사용할 때에 비해 정확도가 약 5%p 향상하는 것을 알 수 있었다. 이를 통해 인간이 대화를 상호작용 단위로 나누어 이해하는 데에 대화적 자질을 포함한 다양한 언어학적 특징을 활용한다는 점을 발견하였다.

영어초록

Ein Dialog besteht aus verschiedenen Interaktionen zwischen Sprechern. Zu erfassen, welche Interaktionen in einem Dialog stattgefunden haben, ist einer der wichtigsten Aspekte beim Verstehen eines Dialogs. In dieser Arbeit wird versucht, Dialoge in Interaktionseinheiten zu unterteilen, um deutsche Dialoge zusammenzufassen. Eine Dialogsegmentierung ist der Prozess, einen Dialog in kleinere Einheiten aufzuteilen. Die Dialogsegmentierung wird in vielen Studien zur Dialogsmodellierung, wie z. B. in der Dialogzusammenfassung und im Information Retrieval, verwendet, weil sie ermöglicht, die Struktur und den Inhalt von Dialogen zu erfassen, indem verwandte Sätze miteinander verbunden werden.
Diese Arbeit betont, wie wichtig Dialoginformationen bei der Dialogsegmentierung für die Dialogzusammenfassung sind, und schlägt verschiedene linguistische Merkmale vor, um den Dialog in für die Dialogzusammenfassung geeigneten Einheiten zu segmentieren. Darüber hinaus wurde ein Experiment mittels maschinellem Lernen durchgeführt, das Dialoge, mithilfe einer Deep-Learning-Methodik einschließlich Satzeinbettung, automatisch segmentiert. Das Experiment zeigt, dass der vorgestellte Ansatz, der alle vorgeschlagenen linguistischen Merkmale verwendet, für die automatische Dialogsegmentierung eine Korrektheit von 83,56% aufweist. Insbesondere wird die Korrektheit um etwa 5%p verbessert, wenn die Dialoginformationen, die diese Arbeit betont, als Merkmale des maschinellen Lernens hinzugefügt werden. Durch diese Arbeit wurde festgestellt, dass Menschen verschiedene linguistische Merkmale, insbesondere Dialoginformationen, verwenden, um zu verstehen, wie aufeinanderfolgende Äußerungen im Dialog als Interkationseinheit miteinander verbunden sind.

참고자료

· 없음