Acknowledgement
본 연구는 과학기술정보통신부 및 정보통신기술기획평가원의 대학ICT연구센터지원사업의 지원을 받아 수행된 연구 (IITP-2020-2018-0-01405)와 2020년도 정부 (과학기술정보통신부)의 재원으로 정보통신기술기획평가원의 지원을 받아 수행되었음(No. 2020-0-00368, 뉴럴-심볼릭(neural-symbolic) 모델의 지식 학습 및 추론 기술 개발)
Annual Conference on Human and Language Technology (한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리))
- 2020.10a
- /
- Pages.71-75
- /
- 2020
- /
- 2005-3053(pISSN)
Commonsense Graph Path Learning Model for OpenBook Question and Answering
오픈북 질의응답을 위한 상식 그래프 경로 학습 모델
- Lim, Jungwoo (Computer Science and Engineering, Korea University) ;
- Oh, Donsuk (Computer Science and Engineering, Korea University) ;
- Jang, Yoonna (Computer Science and Engineering, Korea University) ;
- Yang, Kisu (Computer Science and Engineering, Korea University) ;
- Lim, Heuiseok (Computer Science and Engineering, Korea University)
- Published : 2020.10.14
Abstract
오픈북 질의응답 문제는 올바른 정답을 고르기 위해 사람들끼리 공유하고 있는 상식정보가 필요한 질의로 이루어져있다. 기계가 사람과 달리 상식 정보를 이용하여 결론을 도출하는 상식 추론을 하기 위해서는 적절한 상식 정보를 논리적으로 사용하여야 한다. 본 연구에서는 적절한 상식정보의 선택과 논리적 추론을 위하여, 질의에 대한 Abstract Meaning Representation (AMR) 그래프를 이용하여 적절한 상식 정보를 선택하고 그의 해석을 용이하게 만들었다. 본 연구에서 제안한 상식 그래프 경로 학습 모델은 오픈북 질의응답 문제에서 대표적 언어모델인 BERT의 성능보다 약 7%p 높은 55.02%의 정확도를 달성하였다.