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
- 권혁철
- 발행연도
- 2023
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수7
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
한국어 발음 변환(Grapheme-to-Phoneme, G2P)은 입력된 문자열에 대해 올바른 발음열을 생성하는 자연어 처리의 분야 중 하나이다. 기존의 발음열 변환 시스템은 발음 규칙과 예외 사전을 이용하여 단어 수준에서 이루어졌다. 이와 같은 시스템은 발음열의 빠른 출력 속도와 일관성 있는 결과를 얻을 수 있다는 장점이 있지만, 규칙과 사전을 구성하는 과정에서 수준 높은 언어학적 지식을 요구하며 시간적 비용이 크다. 또한, 신조어의 지속적인 반영이 필요해 유지보수 측면으로도 좋지 않다. 최근에는 딥러닝(Deep Learning)을 이용해 이와 같은 문제를 해결하려는 시도가 있었다.
본 논문에서는 딥러닝을 이용해 한국어 발음열 변환을 시도하고 출력 생성 방법에 따라 자기 회귀(Autoregressive)와 비자기 회귀(Non-autoregressive) 모델을 비교하고 분석한다. 또한, 표준 발음 규칙에 기반을 둔 음절 제약 방법과 "우리말 샘"을 사용한 기분석 사전의 지식 베이스를 구성하여 한국어 발음열 변환 모델의 성능 변화를 분석한다. 자기 회귀 모델은 문장 정확도가 95.16%를 보였고, 비자기 회귀 모델은 85.72%의 문장 정확도를 보였다. 자기 회귀 모델은 비자기 회귀 모델에 비해 9.69% 더 높은 문장 정확도를 보였지만, 추론 속도는 2.86배 느렸다. 발음열 음절 제약 방법을 적용한 경우, 두 모델 모두 0.25%, 1.21%의 문장 정확도 향상을 보였다. 또한, 기분석 사전을 결합하면 0.06%, 1.21%의 문장 정확도 향상을 보였다. 음절 제약과 기분석 사전을 모두 사용한 경우 자기 회귀 모델은 0.54%의 정확도가 감소했지만 비자기 회귀 모델은 1.5%의 정확도 향상을 보였다.
본 논문에서는 딥러닝을 이용해 한국어 발음열 변환을 시도하고 출력 생성 방법에 따라 자기 회귀(Autoregressive)와 비자기 회귀(Non-autoregressive) 모델을 비교하고 분석한다. 또한, 표준 발음 규칙에 기반을 둔 음절 제약 방법과 "우리말 샘"을 사용한 기분석 사전의 지식 베이스를 구성하여 한국어 발음열 변환 모델의 성능 변화를 분석한다. 자기 회귀 모델은 문장 정확도가 95.16%를 보였고, 비자기 회귀 모델은 85.72%의 문장 정확도를 보였다. 자기 회귀 모델은 비자기 회귀 모델에 비해 9.69% 더 높은 문장 정확도를 보였지만, 추론 속도는 2.86배 느렸다. 발음열 음절 제약 방법을 적용한 경우, 두 모델 모두 0.25%, 1.21%의 문장 정확도 향상을 보였다. 또한, 기분석 사전을 결합하면 0.06%, 1.21%의 문장 정확도 향상을 보였다. 음절 제약과 기분석 사전을 모두 사용한 경우 자기 회귀 모델은 0.54%의 정확도가 감소했지만 비자기 회귀 모델은 1.5%의 정확도 향상을 보였다.
목차
1. 서론 11.1 연구 배경 11.2 논문 구성 22. 관련 연구 32.1 규칙 기반의 발음열 변환 32.2 통계 기반의 발음열 변환 52.3 딥러닝 기반의 발음열 변환 63. 딥러닝 모델과 지식 베이스의 결합 93.1 사전 학습된 언어 모델 93.2 발음열 어휘의 재구성 133.3 발음열 음절 제약 163.4 기분석 사전 174. 실험 및 평가 194.1 실험 환경 및 평가 척도 194.2 실험 결과 및 분석 225. 결론 및 향후 연구 266. 참고 문헌 27영문 요약 34
최근 본 자료
댓글(0)
0