지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이창기
- 발행연도
- 2020
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수18
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
문서 요약은 길이가 긴 원본 문서의 의미는 유지한 채 원본 문서보다 짧은 문서나 문장으로 표현하는 자연어 처리의 태스크 중 하나이다. 문서 요약과 관련된 연구는 크게 원본 문서에서 중요한 문장들을 선택해 해당 문장들을 요약문으로 사용하는 추출 요약 방법과 원본 문서의 내용을 이해하고 해당 내용에 맞는 새로운 문장을 생성하는 생성 요약 방법의 두 가지 방법으로 진행되어 왔다.
본 논문에서는 이 두 가지 방법을 각각 사용하는 것이 아닌 추출 요약 방법을 통해 원본 문서에서 노이즈 문장이라고 판단되는 문장들은 제외하고 중요한 문장들만 선택하여 생성 요약 모델의 입력으로 사용하는 방법을 제안한다. 실험 결과 원본 문서를 그대로 생성 요약 모델의 입력으로 사용한 것보다 추출 요약 모델을 통해 추출한 문장을 입력으로 사용할 경우 Rouge 스코어가 높아졌다.
또한 본 논문에서는 위와 같은 실험 결과를 바탕으로 2단계 모델에서 추출 요약의 성능을 올리는 연구를 통해 요약 모델의 성능을 향상시켰다. Maximal marginal relevance는 문장을 선택할 때 이미 선택된 문장들과 중복된 문장을 줄이고 중요 정보가 담긴 문장을 선택할 수 있도록 연구된 방법론이다. 해당 방법론을 본 논문의 추출 요약 모델에 사용함으로써 보다 정보가 다양한 문장을 추출 하여 요약 모델의 성능을 향상 시켰고, 최근 자연어 처리의 다양한 태스크들에서 강점을 보이고 있는 BERT를 적용하여 요약 모델의 성능을 더욱더 향상시켰다.
본 논문에서는 이 두 가지 방법을 각각 사용하는 것이 아닌 추출 요약 방법을 통해 원본 문서에서 노이즈 문장이라고 판단되는 문장들은 제외하고 중요한 문장들만 선택하여 생성 요약 모델의 입력으로 사용하는 방법을 제안한다. 실험 결과 원본 문서를 그대로 생성 요약 모델의 입력으로 사용한 것보다 추출 요약 모델을 통해 추출한 문장을 입력으로 사용할 경우 Rouge 스코어가 높아졌다.
또한 본 논문에서는 위와 같은 실험 결과를 바탕으로 2단계 모델에서 추출 요약의 성능을 올리는 연구를 통해 요약 모델의 성능을 향상시켰다. Maximal marginal relevance는 문장을 선택할 때 이미 선택된 문장들과 중복된 문장을 줄이고 중요 정보가 담긴 문장을 선택할 수 있도록 연구된 방법론이다. 해당 방법론을 본 논문의 추출 요약 모델에 사용함으로써 보다 정보가 다양한 문장을 추출 하여 요약 모델의 성능을 향상 시켰고, 최근 자연어 처리의 다양한 태스크들에서 강점을 보이고 있는 BERT를 적용하여 요약 모델의 성능을 더욱더 향상시켰다.
목차
Ⅰ 서론 1Ⅱ 관련 연구 21 추출 요약 22 생성 요약 33 Copy Mechanism 44 Transformer 55 BERT 66 Maximal Marginal Relevance 7Ⅲ 요약 모델 81 2단계 요약 모델 82 MMR을 적용한 모델 123 BERT를 적용한 모델 13Ⅳ 실험 및 성능 151 데이터 152 실험 163 요약 결과 174 성능 22Ⅴ 결론 24참고문헌 25
최근 본 자료
댓글(0)
0