정규화 기법 - 어간 추출(Stemming) and 표제어 추출(Lemmatization)

정규화의 목적은 코퍼스의 복잡성을 줄이는 일입니다.
어간 추출 및 표제어 추출은 단어가 다르게 표기 됐지만, 하나의 단어로 일반화시킬 수 있다면 하나의 단어로 일반화시켜서 문서 내의 단어 수를 줄이는 것을 목적으로 합니다.

1. 표제어 추출(Lemmatization)

표제어 추출은 단어들이 다른 형태를 가지더라도, 그 뿌리 단어를 찾아 단어의 개수를 줄일 수 있는지 판단합니다.
am, are, is => be
표제어 추출은 형태학적 파싱을 먼저 진행합니다. 형태학적 파싱은 어간(stem)과 접사(affix)를 분리하는 작업을 말합니다.

형태소란 '의미를 가진 가장 작은 단위'이며, 두 가지 종류가 있습니다.
1) 어간(stem): 단어의 의미를 담고 있는 단어의 핵심 부분.
2) 접사(affix): 단어에 추가적인 의미를 주는 부분.

형태학(morphology)이란, 형태소로부터 단어들을 만들어가는 학문입니다.
형태학적 파싱은 이 두 가지 구성 요소를 분리하는 작업을 말합니다.
NLTK에서는 표제어 추출을 위한 도구인 WordNetLemmatizer를 지원합니다.

2. 어간 추출(Stemming)

어간(Stem)을 추출하는 작업으로, 어간 추출은 단순 규칙에 기반하여 이루어지기 때문에 어간 추출 후에 나오는 결과 단어는 사전에 존재하지 않는 단어일 수도 있습니다.
NLTK에서는 포터 알고리즘 외에도 랭커스터 스태머(Lancaster Stemmer) 알고리즘을 지원합니다.
두 스태머는 다른 알고리즘을 사용하므로, 결과가 다르게 나옵니다. 따라서 어떤 스태머가 코퍼스에 적합한지를 판단한 후에 사용하여야 합니다.

3. 한국어 어간 추출

한국어는 아래의 표와 같이 5언 9품사의 구조를 가지고 있습니다.

언	품사
체언	명사, 대명사, 수사
수식언	관형사, 부사
관계언	조사
독립언	감탄사
용언	동사, 형용사

이중 용언이 어간(stem)과 어미(ending)의 결합으로 구성됩니다.

(1) 활용(conjugation)

활용이란 용언(동사, 형용사)의 어간(stem)이 어미(ending)를 가지는 일을 말합니다.
어간(stem) : 용언에서 모양이 변하지 않는 부분으로 어미에 선행하는 부분. 때론 어간의 모양도 바뀔 수 있음(예: 긋다, 긋고, 그어서, 그어라).
어미(ending): 어간 뒤에 붙어서 활용하면서 변하는 부분.

a) 규칙 활용

규칙 활용은 어간이 어미를 취할 때, 어간의 모습이 변하지 않으며, 어미를 단순히 분리해주면 어간 추출이 됩니다.
잡/어간 + 다/어미

b) 불규칙 활용

불규칙 활용은 어간이 어미를 취할 때 어간의 모습이 바뀌거나 취하는 어미가 특수한 어미일 경우로, 좀 더 복잡한 규칙으로 어간 추출을 합니다.
어간의 형식이 달라지는 경우: 돕/도우-, 곱/고우-, 잇/이-, 올/올-, 노랗/노라
특수한 어미를 취하는 경우: 오르+ 아/어→올라, 하+아/어→하여, 이르+아/어→이르러, 푸르+아/어→푸르러

감사합니다.

Reference: https://wikidocs.net/21698

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다. 뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터 가중치 weight와 입력 x의 내적 을 구한 후 모두 합한다. 편향을 더합니다. 편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스 W 의 w 0 는 (N*1)의 벡터이며, 이런 w 0 를 M개 나열되어 있습니다. 입력 x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...

자세한 내용 보기

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file. tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다. 설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...

자세한 내용 보기

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...

자세한 내용 보기

Sungwoony

이 블로그 검색