Developing zero anaphora resolution system based on deep learning technology|RISS 상세보기

다국어 초록 (Multilingual Abstract)

BERT is a general language representation model that enables systems to utilize deep bidirectional contextual information in natural language texts. Good word and phrase embeddings, when used as the underlying input representation, have been shown to boost the performance in language tasks. This is what is demonstrated by BERT. BERT exploits attention mechanism extensively based upon the sequence transduction model Transformer. BERT is one of the most advanced and complex models that makes use of the most recent state-of-the-art techniques in deep learning.
It is necessary to achieve high performance in the task of zero anaphora resolution (ZAR) for complete understanding of texts in Korean, Japanese, Chinese, etc. Influenced by success of deep learning, models based on this technology began to be introduced recently in building ZAR systems. However, the objective of building a high quality ZAR system is far from being achieved even by using these models.
To overcome an obstacle in improving ZAR performance, we have proposed to exploit BERT in designing a new model for ZAR. This approach has not been taken by others in developing a ZAR system yet. Specifically, we have chosen to use the fine-tuning approach in utilizing a BERT made available after pre-training. To demonstrate the advantages of our proposed approach by performance comparison, we built ZAR systems based on deep learning models without using BERT. We also implemented the ZAR models suggested by other researchers that make use of deep learning techniques. The performance comparisons of our proposed model with these other models have revealed that our proposed model is superior to those of others.
We also experimented with various neural network architectures added on top of BERT to develop our ZAR system. It was observed that adding a complex architecture is more advantageous in improving the performance. This is a new finding related to the use of BERT for language tasks. It was also found that a BERT pre-trained solely with Korean corpus is superior to a multi-lingual BERT.
We have sought the end-to-end learning paradigm by disallowing any use of hand-crafted features or dependency-analysis features. Experimental results show that the BERT-based models we propose can result in large performance improvement in ZAR over other deep learning models introduced by other researchers.

번역하기

국문 초록 (Abstract)

BERT는 시스템이 자연어 텍스트에서 양방향 양방향 컨텍스트 정보를 활용
할 수 있게 하는 일반 언어 표현 모델입니다. 좋은 단어와 구, 절에 대한 임-
베딩을 기본 입력 표현으로 사용할 때 언어 작업의 성능을 향상시키는 것으
로 나타났습니다. 이것이 BERT가 보여주는 것입니다. BERT는 시퀀스 변환 모
델 Transformer를 기반으로 광범위하게 어텐션 메커니즘을 활용합니다. BERT
는 최신 딥러닝 기술을 활용하는 가장 발전된 복잡한 모델 중 하나입니다.
한국어, 일본어, 중국어 등의 문장을 완전히 이해하기 위해서는 ZAR (Zero
Anaphora Resolution) 작업에서 높은 성능을 달성해야 합니다. 딥러닝의 성공에
영향을 받아 이 기술을 기반으로 한 모델들이 최근 ZAR 시스템에 도입되기
시작했습니다. ZAR 시스템. 그러나 고품질 ZAR 시스템 구축은 이러한 모델을
사용하더라도 달성 할 수 없습니다.
우리는 ZAR 성능 향상의 장애를 극복하기 위해 ZAR을 위한 새로운 모델
을 설계 할 때 BERT를 활용할 것을 제안했습니다. 이 접근법은 아직 다른
ZAR 시스템 개발에서 채택되지 않았습니다. 특히, 우리는 사전 훈련 후 제공
되는 BERT를 활용하기 위해 미세 조정 방법을 사용하기로 결정했습니다. 성
능 비교를 통한 제안 된 접근 방식의 장점을 보여주기 위해 BERT를 사용하
지 않은 딥러닝 모델을 기반으로 ZAR 시스템을 구축했습니다. 또한 딥러닝
기술을 사용하는 다른 연구자들이 제안한 ZAR 모델도 구현했습니다. 제안 된
모델과 이러한 다른 모델의 성능을 비교 한 결과 제안 된 모델이 다른 모델
보다 우수합니다.
또한 ZAR 시스템을 개발하기 위해 BERT 위에 다양한 신경망 아키텍처를
추가한 실험을 했습니다. 복잡한 아키텍처를 추가하는 것이 성능 향상에 더
유리하다는 것이 관찰되었습니다. 이것은 언어 작업에 BERT를 사용하는 것과
관련된 새로운 발견입니다. 또한 한국어 말뭉치로만 사전 훈련 된 BERT가 다
국어 BERT보다 우수하다는 것도 발견되었습니다.
우리는 수작업으로 만들어진 자질정보나 의존관계 분석 결과를 사용하지
않는 end-to-end 학습 패러다임을 추구했습니다. 실험 결과에 따르면 우리가
제안한 BERT 기반 모델이 다른 연구에서 소개한 딥러닝 모델보다 ZAR의 성
능을 크게 향상시킬 수 있음을 보여줍니다.

번역하기

BERT는 시스템이 자연어 텍스트에서 양방향 양방향 컨텍스트 정보를 활용 할 수 있게 하는 일반 언어 표현 모델입니다. 좋은 단어와 구, 절에 대한 임- 베딩을 기본 입력 표현으로 사용할 때 ...