KoBERTSEG: 한국어 BERT를 이용한 Local Context 기반 주제 분리 방법론

Q: 이 논문에서 정의한 KoBERTSEG이란 무엇인가?

한국어 BERT인 KoBERT를 기반으로 하며 문서 요약 모델인 BERTSUM의 구조를 차용한 한국어 주제 분리 모델이다. 여러 주제가 혼합된 뉴스 기사를 단일 주제의 뉴스 세그먼트로 분리하기 위해 지역적 문맥 정보를 활용하여 설계된 방법론이다.

Q: KoBERTSEG 모델의 성능을 높이는 핵심 요인은 무엇인가?

연구 결과, 요약 과업에 학습된 KoBERTSUM 모델의 가중치를 초기 가중치로 활용할 때 성능이 향상되었다. 또한 합성곱 연산을 통해 지역적 문맥을 효과적으로 학습함으로써 기존 모델보다 텍스트 노이즈에 강건하고 1종 오류를 줄이는 성과를 거두었다.

소규성; 이윤승; 정의석; 강필성

doi:10.7232/JKIIE.2022.48.2.235

추천

검색

질문

자료유형: 학술저널

저자정보: 소규성 (고려대학교) 이윤승 (고려대학교) 정의석 (고려대학교) 강필성 (고려대학교)

저널정보: 대한산업공학회 대한산업공학회지 대한산업공학회지 제48권 제2호

발행연도: 2022.4

수록면: 235 - 248 (14page)

DOI: 10.7232/JKIIE.2022.48.2.235

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Topic segmentation refers to the work of separating a document consisting of several topics into unit documents, such as paragraphs, with one single topic. Topic segmentation has been considered as one of main preprocessing step prior to performing natural language processing tasks, such as document summary or document classification. This paper proposes a Korean BERT-based news article segmentation method aiming at separating a single news article, in which multiple subjects exist, into news segments, each of which contains a single subject. The proposed model has the advantage of being able to capture a wider range of semantic relationships compared to existing topic segmentation studies by borrowing a structure proposed for document summarization. Experimental results on a Korean news article dataset show that the proposed method outperform the benchmark models for topic segmentation. In addition, we also show that the proposed method can be used for practical news clip summarization task, supporting the possibility of implementing the application service based on Korean topic segmentation model.

#Natural Language Processing #Topic Segmentation #Text Segmentation #KoBERT #BERTSUM

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)