의존 구문 분석

• 지배소: 의미의 중심
• 의존소: 지배소가 갖는 의미를 보완(수식)
• 어순과 생략이 자유로운 한국어같은 언어에서 주로 연구

규칙

• 지배소는 후위언어
  • 지배소는 항상 의존소보다 뒤에 위치
• 각 의존소와 지배소는 한 개씩 존재한다.
• 교차 의존 구조는 없다.
  • 중첩은 된다. 즉, A가 누군가의 지배소라면 동시에 다른 단어의 의존소도 될 수 있다.

분류 방법

Sequence labeling을 통해 분류.

활용

• 복잡한 자연어 형태를 그래프로 구조화해서 표현 가능해진다.
• 각 대상(Entity)에 대한 정보를 추출할 수 있다.

단일 문장 분류 task

주어진 문장이 어떤 분류에 속하는지 구분한다.

• Sentiment Analysis(감정 분석)
  • 문장의 긍정/부정/중립 등 성향을 분류
  • 험오 발언 분류
  • 기업 모니터링
• Topic labeling(주제 분류)
  • 문장을 category로 분류
  • 대용량 문서 분류
  • VoC(Voice of Customer): 고객의 피드백을 분류
• Language Detection(언어 감지)
  • 문장이 어떤 나라의 언어인지 파악
  • 번역기
  • 데이터 필터링
• Intent Classification
  • 문장이 가진 의도를 분류
  • 챗봇: 문장의 의도를 파악해 적절한 답변 생성

한국어 문장 분류를 위한 데이터

• Kor_hate
  • 혐오 표현에 관한 데이터
  • 욕설 말고 bias 표현 모음
• Kor_sarcasm
  • 비꼬는 표현 데이터
• Kor_sae
  • 질문의 유형에 관한 데이터
  • e.g.,
    • yes / no로 답변 가능한 질문
    • 대안 선택을 묻는 질문
    • 금지, 요구 명령
• Kor_3i4k
  • 의도와 관련된 데이터

문장 분류 모델 구조도

BERT를 기본으로 하고, CLS token에 classifier를 붙여서 문장 분류를 한다.

사용될 parameters는 다음과 같다. 일반적으로 BERT에서 정해지는 설정 값들이다.

• input_ids : sequence token을 입력
• attention_mask : [0,1]로 구성된 마스크이며 패딩 토큰을 구분
• token_type_ids : [0,1]로 구성되었으며 입력의 첫 문장과 두번째 문장 구분
• position_ids : 각 입력 시퀀스의 임베딩 인덱스
• inputs_embeds : input_ids대신 직접 임베딩 표현을 할당
• labels : loss 계산을 위한 레이블
• Next_sentence_label : 다음 문장 예측 loss 계산을 위한 레이블

학습 과정

1. Dataset 준비
2. Dataset 전처리, 토큰화
3. Dataloader 설계
4. Train, Test Dataset 준비
5. TrainingArguments 설정
6. Pretrained Model import
7. Trainer 설정
8. Model 학습
9. Predict 구현, 평가