메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
박천음 (강원대학교) 이창기 (강원대학교) 홍수린 (SK Telecom) 황이규 (마인즈랩) 유태준 (마인즈랩) 김현기 (한국전자통신연구원)
저널정보
Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.45 No.12
발행연도
2018.12
수록면
1,260 - 1,268 (9page)
DOI
10.5626/JOK.2018.45.12.1260

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
기계 독해는 주어진 문맥을 이해하고, 질문에 적합한 답을 문맥 내에서 찾는 문제이다. Simple Recurrent Unit (SRU)은 GRU 등과 같이 neural gate를 이용하여 RNN에서 발생하는 베니싱 그래디언트 문제를 해결하고, gate 입력에서 이전 hidden state를 제거하여 GRU보다 속도를 향상시킨 모델이며, Self-matching Network는 R-Net 모델에서 사용된 것으로, 자기 자신의 RNN sequence에 대하여 어텐션 가중치를 계산하여 비슷한 의미 문맥 정보를 볼 수 있기 때문에 상호참조해결과 유사한 효과를 볼 수 있다. 본 논문에서는 한국어 기계 독해 데이터 셋을 구축하고, 여러 층의 SRU를 이용한 Encoder에 Self-matching layer를 추가한 S2-Net 모델을 제안한다. 실험 결과, 본 논문에서 제안한 S²-Net 모델이 한국어 기계 독해 데이터 셋에서 EM 70.81%, F1 82.48%의 성능을 보였다.
#기계 독해 #질의응답 #Simple Recurrent Unit #셀프 매칭 네트워크 #한국어 기계 독해 데이터셋 #machine reading comprehension #question answering #simple recurrent unit #self-matching network #Korean machine reading comprehension dataset

목차

요약
Abstract
1. 서론
2. Simple Recurrent Unit
3. SRU 기반 Self-matching Networks (S2-Net)를 이용한 한국어 기계 독해
4. 관련연구
5. 한국어 기계 독해 데이터셋
6. 실험
7. 결론
References

참고문헌 (18)

참고문헌 신청
P. Rajpurkar, J. Zhang, K. Lopyrev and P. Liang, Squad: 100,000+ questions for machine comprehension of text, arXiv preprint arXiv:1606.05250, 2016. F. Hill, A. Bordes, S. Chopra and J. Weston, The Goldilocks Principle: Reading Children's Books with Explicit Memory Representations, arXiv preprint arXiv:1511.02301, 2015. T. Nguyen, M. Rosenberg, X. Song, J. Gao, S. Tiwary R. Majumder and L. Deng, MS MARCO: A Human Generated MAchine Reading COmprehension Dataset, arXiv preprint arXiv:1611.09268, 2016. D. Chen, A. Fisch, J. Weston and A. Bordes, Reading Wikipedia to Answer Open-Domain Questions, arXiv preprint arXiv:1704.00051, 2017. D. Weissenborn, G. Wiese and L. Seiffe, Making Neural QA as Simple as Possible but not Simpler, Proc. of the 21st Conference on Computational Natural Language Learning (CoNLL 2017), 2017.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Knowledge Embedding Method for Implementing a Generative Question-Answering Chat System
김시형 ,  이현구 ,  김학수 Journal of KIISE 2018 .02
TextRank 알고리즘을 이용한 음악 가사 요약 기법
손지영 ,  신용태 멀티미디어학회논문지 2018 .01
Korean Named Entity Recognition and Classification using Word Embedding Features
최윤수 ,  차정원 Journal of KIISE 2016 .06
음절 Bi-gram정보를 이용한 한국어 OCR 후처리용 자동 띄어쓰기
전남열 ,  박혁로 한국정보과학회 언어공학연구회 학술발표 논문집 2000 .10

최근 본 자료

전체보기

댓글(0)

0