| 1 |
1
신경망 네트워크(neural network)에 기반하여 의존 구문 분석(dependency parsing)하기 위한 제어 방법에 있어서,소정 단어의 사전적 의미를 수치화시킨 제 1 벡터를 산출하는 단계;상기 소정 단어에 포함된 적어도 하나의 구성 성분에 대한 정보(Subword information)를 수치화시킨 제 2 벡터를 산출하는 단계; 및상기 제 1 및 제 2 벡터에 기초(concatenate)하여 상기 소정 단어와 의존관계에 있는 의존관계 단어를 지정하는 단계를 포함하는,의존 구문 분석 제어 방법
|
| 2 |
2
제 1 항에 있어서, 상기 지정하는 단계는,상기 제 1 및 제 2 벡터를 상기 신경망 네트워크의 입력으로 했을 때 나오는 출력에 기초하여 상기 의존관계 단어와 의존관계 라벨(label)을 지정하는 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 3 |
3
제 2 항에 있어서, 상기 신경망 네트워크는,순환 신경망(Recurrent Neural Network, RNN)인 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 4 |
4
제 3 항에 있어서, 상기 순환 신경망은,LSTM(long short term memory network), GRU RNN(Gated Recurrent Unit, recurrent neural network) 중 하나인 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 5 |
5
제 4 항에 있어서, 상기 순환 신경망은,양방향(Bi-directional) 신경망인 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 6 |
6
제 5 항에 있어서, 상기 양방향 신경망은,제 1 방향으로 진행되는 제 1 레이어와, 제 2 방향으로 진행되는 제 2 레이어를 포함하고,상기 입력된 제 1 및 제 2 벡터는 상기 제 1 및 제 2 레이어를 순차적으로 통과하는 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 7 |
7
제 1 항에 있어서, 상기 제 1 벡터를 산출하는 단계는,Word2Vec 모델 또는 Glove 모델에 기초하여 수행되는 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 8 |
8
제 1 항에 있어서, 상기 제 2 벡터를 산출하는 단계는,상기 소정 단어를 상기 신경망 네트워크의 입력으로 했을 때 나오는 출력에 기초하여 상기 제 2 벡터를 산출하는 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 9 |
9
제 8 항에 있어서, 상기 신경망 네트워크는,CNN(convolutional neural network)인 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 10 |
10
제 9 항에 있어서, 상기 적어도 하나의 구성 성분에 대한 정보는,어근 정보, 접사 정보 및 n-gram 정보 중 적어도 하나를 포함하는 것을 특징으로 하는,의존 구문 분석 제어 방법
|
| 11 |
11
신경망 네트워크(neural network)에 기반하여 의존 구문 분석(dependency parsing)하기 위한 장치에 있어서,소정 단어가 입력되면, 상기 입력된 소정 단어와 의존관계에 있는 의존관계 단어를 지정하는 제어부를 포함하되,상기 제어부는,상기 입력된 소정 단어의 사전적 의미를 수치화시킨 제 1 벡터를 산출하고,상기 입력된 소정 단어에 포함된 적어도 하나의 구성 성분에 대한 정보(Subword information)를 수치화시킨 제 2 벡터를 산출하며,상기 제 1 및 제 2 벡터에 기초(concatenate)하여 상기 의존관계 단어를 지정하는 것을 특징으로 하는,의존 구문 분석 장치
|
| 12 |
12
제 11 항에 있어서, 상기 제어부가 상기 지정하는 동작을 수행하는데 있어서,상기 제 1 및 제 2 벡터를 상기 신경망 네트워크의 입력으로 했을 때 나오는 출력에 기초하여 상기 의존관계 단어와 의존관계 라벨(label)을 지정하는 것을 특징으로 하는,의존 구문 분석 장치
|
| 13 |
13
제 12 항에 있어서, 상기 신경망 네트워크는,순환 신경망(Recurrent Neural Network, RNN)인 것을 특징으로 하는,의존 구문 분석 장치
|
| 14 |
14
제 13 항에 있어서, 상기 순환 신경망은,LSTM(long short term memory network), GRU RNN(Gated Recurrent Unit, recurrent neural network) 중 하나인 것을 특징으로 하는,의존 구문 분석 장치
|
| 15 |
15
제 14 항에 있어서, 상기 순환 신경망은,양방향(Bi-directional) 신경망인 것을 특징으로 하는,의존 구문 분석 장치
|
| 16 |
16
제 15 항에 있어서, 상기 양방향 신경망은,제 1 방향으로 진행되는 제 1 레이어와, 제 2 방향으로 진행되는 제 2 레이어를 포함하고,상기 제어부는,상기 입력된 제 1 및 제 2 벡터는 상기 제 1 및 제 2 레이어를 순차적으로 통과시켜 상기 의존관계 단어를 지정하는 것을 특징으로 하는,의존 구문 분석 장치
|
| 17 |
17
제 11 항에 있어서, 상기 제어부는 상기 제 1 벡터를 산출하는 동작에 있어서,Word2Vec 모델 또는 Glove 모델에 기초하여 수행하는 것을 특징으로 하는,의존 구문 분석 장치
|
| 18 |
18
제 11 항에 있어서, 상기 제어부는 상기 제 2 벡터를 산출하는 동작에 있어서,상기 소정 단어를 상기 신경망 네트워크의 입력으로 했을 때 나오는 출력에 기초하여 상기 제 2 벡터를 산출하는 것을 특징으로 하는,의존 구문 분석 장치
|
| 19 |
19
제 18 항에 있어서, 상기 신경망 네트워크는,CNN(convolutional neural network)인 것을 특징으로 하는,의존 구문 분석 장치
|
| 20 |
20
제 19 항에 있어서, 상기 적어도 하나의 구성 성분에 대한 정보는,어근 정보, 접사 정보 및 n-gram 정보 중 적어도 하나를 포함하는 것을 특징으로 하는,의존 구문 분석 장치
|
