다중작업학습 기법을 적용한 Bi-LSTM 개체명 인식 시스템 성능 비교 분석Performance Comparison Analysis on Named Entity Recognition system with Bi-LSTM based Multi-task Learning
- Other Titles
- Performance Comparison Analysis on Named Entity Recognition system with Bi-LSTM based Multi-task Learning
- Authors
- 김경민; 한승규; 오동석; 임희석
- Issue Date
- 2019
- Publisher
- 한국디지털정책학회
- Keywords
- 딥러닝; 다중작업학습; 품사 태깅; 개체명 인식; 전통문화; Deep Learning; Multi-task Learning; Part of speech tagging; Named entity Recognition; Traditional culture
- Citation
- 디지털융복합연구, v.17, no.12, pp.243 - 248
- Indexed
- KCI
- Journal Title
- 디지털융복합연구
- Volume
- 17
- Number
- 12
- Start Page
- 243
- End Page
- 248
- URI
- https://scholar.korea.ac.kr/handle/2021.sw.korea/70069
- DOI
- 10.14400/JDC.2019.17.12.243
- ISSN
- 2713-6434
- Abstract
- 다중작업학습(Multi-Task Learning, MTL) 기법은 하나의 신경망을 통해 다양한 작업을 동시에 수행하고 각 작업 간에 상호적으로 영향을 미치면서 학습하는 방식을 말한다. 본 연구에서는 전통문화 말뭉치를 직접 구축 및 학습데이터로 활용하여 다중작업학습 기법을 적용한 개체명 인식 모델에 대해 성능 비교 분석을 진행한다. 학습 과정에서 각각의 품사 태깅(Part-of-Speech tagging, POS-tagging) 과 개체명 인식(Named Entity Recognition, NER) 학습 파라미터에 대해 Bi-LSTM 계층을 통과시킨 후 각각의 Bi-LSTM을 계층을 통해 최종적으로 두 loss의 joint loss를 구한다. 결과적으로, Bi-LSTM 모델을 활용하여 단일 Bi-LSTM 모델보다 MTL 기법을 적용한 모델에서 1.1%~4.6%의 성능 향상이 있음을 보인다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - Graduate School > Department of Computer Science and Engineering > 1. Journal Articles
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.