문장추상화 : 개념추상화를 도입한 문장교열 = Sentence Abstraction : Sentence Revision with Concept Abstraction

다국어 초록 (Multilingual Abstract)

Sentence abstraction is a simplification of a sentence preserving its communicative function. It accomplishes sentence revision and concept abstraction simultaneously. Sentence revision is a method that resolves the discrepancy between human’s thoughts and its expressed semantic in sentences. Concept abstraction is an expression of general ideas acquired from the common elements of concepts. Sentence abstraction selects the main constituents of given sentences and describes the upper concepts of them with detecting their semantic information. This enables sentence revision and concept abstraction simultaneously. In this paper, a syntactic parser LGPI+ and an ontology OfN are utilized for sentence abstraction. Sentence abstracter SABOT makes use of LGPI+ and OfN. SABOT processes the result of parsing and selects the candidate words for sentence abstraction. This paper computes the sentence recall of the main sentences and the topic hit ratio of the selected sentences with the text understanding system using sentence abstraction. The sources are 58 paragraphs in 23 stories. As a result of it, the sentence recall is about 54～72% and the topic hit ratio is about 76～86%. This paper verified that sentence abstraction enables sentence revision that can select the topic sentences of a given text efficiently and concept abstraction that can improve the depth of text understanding.

국문 초록 (Abstract)

문장추상화(Sentence Abstraction)는 문장의 의사전달 기능이 보존된 단순화이다. 이는 문장교열(Sentence Revision)과 개념추상화(Concept Abstraction)를 동시에 가능하게 한다. 문장교열은 사람이 생각한 바와 문장으로 표현된 의미의 차이를 해결하는 방법이다. 개념추상화는 개념들의 공통된 요소로부터 얻은 보편적인 관념을 표현하는 것이다. 문장추상화는 문장의 주요구성성분들을 선별해 내고, 이들의 의미적인 정보를 파악하여 상위개념을 표현함으로써 문장교열과 개념추상화를 가능하게 한다. 본 논문에서는 문장추상화를 위한 구문분석기 LGPI+와, 온톨러지 OfN을 구체화하였다. 문장추상기 SABOT는 LGPI+와 OfN을 활용하며, 구문분석 결과를 처리하여 문장에서 추상화 할 후보단어를 선택한다. 문장추상화를 활용한 원문이해 시스템으로 23개 이야기의 58개 문단에 대해 중요 문장에 대한 문장재현율과 선별된 문장들의 주제관련성을 확인해 보았다. 실험결과, 문장재현율은 54～72%의 범위이었고, 주제관련성은 76～86% 정도의 비율로 나타났다. 이를 유사 시스템과 비교해 보았을 때, 약 10～20% 정도의 성능향상을 보인다. 본 논문에서는 문장추상화를 활용하여 글의 화제문을 효율적으로 선택할 수 있는 문장교열과 원문의 이해심도를 보다 더 깊게 할 수 있는 개념추상화가 가능함을 확인하였다.

참고문헌 (Reference)

1 양재군, "온톨로지 정보를 이용한 범주 재편성 Roget 시소러스의 경우" 9 (9): 515-518, 2002.

2 배재학, "언어학적인 방법론을 취하는 자동 문서요약에 대한 연구" 29 (29): 351 -363, 1998

3 Cremmins, E. T, "‘The Art of Abstracting" Information Resources Press 1996.

4 Robin, "‘Revision-based generation of natural language summaries providing historical background" 1994.

5 C. Fellbaum, "WordNet" mit press 1998

6 Barzilay,, "Using Lexical Chains for Text Summarization" 10-17, Jul.1997.

7 Bae, "Topic Sentence Selection with Mid-Depth Understanding" 199-204, 2001.

8 Luhn,, "The Automatic Creation of Literature Abstracts" 2 (2): 159-165, 1993.

9 Souther, "Technical report writing" second edition. Wiley-Interscience, John Wiley & Sons 1977.

10 Knight, "Statistics-Based Summarization-Step One" July-August2000.

11 Jing, "Sentence Reduction for Automatic Text Summarization" 310-315, 1999.

12 Grefenstette,, "Producing Intelligent Telegraphic Text Reduction to Provide an Audio Scanning Service for the blind" 111-117, 1998.

13 Bae,, "Mid-Depth Text Understanding by Abductive Chains for Topic Sentence Selection" 15 (15): 341-357, 2002.

14 Marcu,, "From Discourse Structures to Text Summaries" Jul.,1997.

15 Mani, "Automatic Summarization’" John Benjamins Publishing Company 2001.

16 Huls, "Automatic Referent Resolution of Deictic and Anaphoric Expressions" 21 (21): 59-79, 1995.

17 Bae, "Another Investigation of Automatic Text Summarization" 472-476, 1994.