전이 학습을 이용한 기계 번역 및 문서 요약 :Machine Translation and Text Summarization using Transfer Learning

정영준

추천

검색

자료유형: 학위논문

저자정보: 정영준 (강원대학교, 강원대학교 대학원)

지도교수: 이창기

발행연도: 2021

저작권: 강원대학교 논문은 저작권에 의해 보호받습니다.

이용수8

초록· 키워드

기계 번역은 자연 언어로 된 텍스트를 다른 언어로 자동 번역 하는 기술이다. 최근에 주로 연구되고 있는 신경망 기계 번역은 인공 신경망 기반의 번역 모델로, 문장의 의미를 이해한 정보를 바탕으로 번역 결과를 생성한다. 문서 요약은 문서로부터 본문의 핵심적인 내용을 포함하는 요약문을 만들어내는 기술로, 생성 요약은 실제로 사람이 직접 요약문을 만드는 것처럼 모델이 문서 내용을 이해한 것을 기반으로 새로운 요약문을 생성하는 방법이다. 기계 번역과 문서 요약의 생성 요약은 언어 생성 작업으로, 주로 병렬 코퍼스를 이용하여 학습하는 지도 학습 방법을 사용한다. 하지만 지도 학습 방법은 충분한 학습 데이터가 없을 때는 낮은 성능을 보이는 단점이 있다. 최근에는 학습 데이터 부족 문제 해결을 위해 대량의 단일 언어 데이터를 사용하여 학습한 사전학습 모델을 이용하는 전이 학습 방법이 활발하게 연구되고 있다. 본 논문에서는 최근 다양한 자연어 처리 분야에서 사용되고 있는 전이 학습 방법을 언어 생성 작업인 기계 번역과 문서 요약에 적용한다. 그리고, 기계 번역과 문서 요약에서 성능 향상을 위해 사용되는 상대 위치 표현과 복사 메커니즘 방법을 전이 학습 모델에 추가로 적용하여 모델의 성능이 개선됨을 보인다. 또한, mBART 모델을 영어-한국어 신경망 기계 번역에 적용하여 번역 성능이 향상됨을 보이고, 데이터 증축 방법인 EDA를 기계 번역 작업에 사용하여 모델의 번역 성능 개선에 도움이 될 수 있음을 보인다. 추가로, 기계 번역에서 위키백과 문서 또는 HTML같이 마크업 태그가 포함된 문장 번역에서 어텐션이나 단어 정렬 정보를 사용하지 않는 기계 독해를 이용한 마크업 태그 복원 모델을 제안하고, 제안한 마크업 태그 복원 모델의 성능이 어텐션 정보를 이용한 모델보다 개선됨을 보인다.

Machine translation is a technology that automatically translates text in a natural language into another language. Neural machine translation, which is mainly studied in recent years, is a translation model based on artificial neural networks, and generates translation results based on information that understands the meaning of sentences. Text summarization is a technology that generates a summary including the core contents of the body from a document, and abstractive summarization is a method of generating a new summary based on the model''s understanding of the document content, just as a person directly creates a summary. Machine translation and abstractive summarization of text summarization is a language generation task, mainly using a supervised learning method that trains using a parallel corpus. However, the supervised learning method has the disadvantage of showing low performance when there is not enough training data. Recently, in order to solve the problem of lack of training data, a transfer learning method using a pre-training model trained using a large amount of monolingual data has been actively studied. In this paper, we apply the transfer learning method used in various natural language processing fields to machine translation and text summarization, which are language generation tasks. In addition, it is shown that the performance of the model is improved by additionally applying the relative position representation and copying mechanism method used for performance improvement in machine translation and text summarization to the transfer learning model. It shows that the translation performance is improved by applying the mBART model to the English-Korean neural machine translation, and it is shown that EDA, the data augmentation method, can be used for the machine translation work to improve the translation performance of the model. In machine translation, we propose a markup tag restoration model that uses machine reading comprehension without using attention or word alignment information in translation of sentences containing markup tags such as Wikipedia documents or HTML, and it is shown that the performance of the proposed markup tag restoration model is improved than that of the model using attention information.

#사전학습 #기계 번역 #문서 요약 #언어 생성 #전이 학습

I. 서론 1
II. 관련 연구 3
1. 기계 번역 3
2. 문서 요약 4
3. 전이 학습 5
III. MASS를 이용한 언어 생성 7
1. MASS 7
2. 상대 위치 표현 8
3. 복사 메커니즘 9
4. 실험 및 결과 10
4.1 MASS와 상대 위치 표현을 이용한 영어-한국어 신경망 기계 번역 11
4.2 MASS와 상대 위치 표현을 이용한 한국어 문서 요약 13
4.3 MASS와 복사 메커니즘을 이용한 한국어 문서 요약 16
IV. mBART와 EDA를 이용한 영어-한국어 신경망 기계 번역 18
1. mBART 18
2. Easy Data Augmentation 18
3. 실험 및 결과 19
V. 기계 번역에서 기계 독해 기술을 이용한 마크업 태그 복원 21
1. 기계 번역에서의 마크업 태그 복원 21
2. 기계 독해 기술을 이용한 마크업 태그 복원 모델 21
3. 실험 및 결과 23
VI. 결론 26
참고문헌 27
Abstract 30

최근 본 자료

전체보기

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

목차

최근 본 자료

댓글(0)