• Annual Conference on Human and Language Technology
• /
• 1997.10a
• /
• pp.129-135
• /
• 1997

한국어 명사들을 의미별로 분류하여 계층화시킨 '한국어 명사 의미 계층 구조'는, 한국어 문장을 처리할 때 한국어의 의미 정보를 제공할 수 있는 매우 중요한 정보들 중의 하나이다. 본 논문에서는, 국어 사전의 명사에 대한 뜻풀이말을 이용하여 bottom-up 방식으로 '한국어 명사 의미 계층 구조'를 구축하였다. 본 논문에서 구축한 '한국어 명사 의미 계층 구조'는, tree가 43개, node가 12,833개, terminal node가 10,347 개이며, 깊이가 17인 하나의 forest이다. 이것의 제 1, 2 계층(level 1,2)에서의 분류 형태는 top-down 방식에 의한 기존의 분류들과 매우 다른 모습인 반면에, 제 3 계층 이하에서의 분류 형태는 의미소성(意味素性)에 의한 기존의 분류와 거의 일치하는 모습을 나타낸다.

• Korean Journal of Cognitive Science
• /
• v.10 no.4
• /
• pp.1-10
• /
• 1999

A Semantic Hierarchy of Korean Nouns(SHKN) where Korean nouns are semantically and hierarchically classified is one of the most important things that can provide semantic information concerned with processing the Korean sentences. In this paper. SHKN is constructed in bottom-up method by making use of the definition of a noun in the Korean dictionary. SHKN constructed in this paper is a forest which consist of 43 trees and 2.443 non-terminal nodes and 10.347 terminal nodes. depth of which is 17. The classes of level 1. 2 of SHKN is quite different from the existing structure classified in top-down method. 2 b but the lower classes than level 2 is very objective.

• Korean Journal of Cognitive Science
• /
• v.10 no.3
• /
• pp.1.1-10
• /
• 1999

A Semantic Hierarchy of Korean Nouns(SHKN) where Korean nouns are semantically and hierarchically classified is one of the most important things that can provide semantic information concerned with processing the Korean sentences. In this paper. SHKN is constructed in bottom-up method by making use of the definition of a noun in the Korean dictionary. SHKN constructed in this paper is a forest which consist of 43 trees and 2.443 non-terminal nodes and 10.347 terminal nodes. depth of which is 17. The classes of level 1. 2 of SHKN is quite different from the existing structure classified in top-down method. 2 b but the lower classes than level 2 is very objective.

• Journal of KIISE:Databases
• /
• v.30 no.3
• /
• pp.237-251
• /
• 2003

In this paper, we propose a video retrieval system to search logical structure and semantic contents of video data efficiently. The proposed system employs a layered modelling method that orBanifes video data in raw data layer, content layer and key frame layer. The layered modelling of the proposed system represents logical structures and semantic contents of video data in content layer. Also, the proposed system supports various types of searches such as text search, visual feature based similarity search, spatio-temporal relationship based similarity search and semantic contents search.

• Annual Conference on Human and Language Technology
• /
• 2014.10a
• /
• pp.221-224
• /
• 2014

의미 표지 부착 작업은 구문 표지 부착된 문장의 술어-논항 구조를 파악하여 논항에 적절한 의미역을 부착하는 과정이다. 이 작업을 통하여 생성되는 의미 표지 부착 말뭉치는 의미역 결정에 있어서 절대적으로 필요한 자원이 된다. 의미 표지 부착 말뭉치로는 세계적으로 PropBank가 널리 활용되고 있는데 이를 한국어에 적용시키기 위해서는 PropBank 의미역과 Sejong 의미역 간의 자동 변환이 필요하다. 이전에 제안되었던 이종 의미역 간의 자동변환 방법에서는 명사 계층의 구조 정보를 반영하지 않았다는 문제점이 있었다. 본 논문에서는 이러한 문제점을 보강하기 위하여 명사 계층구조를 반영하여 한국어 PropBank 의미역을 Sejong 의미역으로 자동 변환하는 방법을 제안한다. 제안하는 방법은 PropBank와 Sejong의 맵핑관계 중에서 1:N으로 맵핑되는 PropBank 의미역을 기준으로 명사 계층구조에서 변환 대상 의미역을 가지고 있는 단어와 변환 후보 의미역을 가진 단어들의 개념번호를 뽑아 두 단어 간의 거리를 측정한다. 그리고 레벨 당 가중치를 주어 유사도 계산을 하여 유사도가 적은 값으로 의미역을 자동 변환한다. 본 논문에서 제안하는 방법은 0.8의 성능을 보인다.

• The KIPS Transactions:PartD
• /
• v.10D no.7
• /
• pp.1115-1126
• /
• 2003

In this paper, we propose modeling method for video data that represents structural and semantic contents of video data efficiently. Also, a browsing method that helps users easily understand and play the contents of video data is presented. The proposed modeling scheme consists of three layers such as raw data layer, content layer and key frame layer The content layer represents logical hierarchy and semantic contents of video data. We implement two kinds of browsers for playing video data and providing video contents. The playing browser plays video data and Presents the information of currently playing shot. The content browser allows users to browse raw data, structural information and semantic contents of video data.

• Proceedings of the Korea Contents Association Conference
• /
• 2018.05a
• /
• pp.3-4
• /
• 2018

단어 의미 유사도 측정은 정보 검색이나 문서 분류와 같이 자연어 처리 분야 문제를 해결하는 데 큰 도움을 준다. 이러한 의미 유사도 측정 문제를 해결하기 위하여 단어의 계층 구조를 사용한 기존 연구들이 있지만 이는 단어의 의미를 고려하고 있지 않아 만족스럽지 못한 결과를 보여주고 있다. 본 논문에서는 국립국어원에서 간행한 표준국어대사전에 50만 어휘가 추가된 우리말샘 사전을 기반으로 하여 한국어 단어에 대한 계층 구조를 파악했다. 그리고 단어의 용례를 word2vec 모델에 학습하여 단어의 문맥적 의미를 파악하고, 단어의 정의문을 sent2vec 모델에 학습하여 단어의 사전적 의미를 파악했다. 또한, 구축된 계층 구조와 학습된 word2vec, sent2vec 모델을 이용하여 한국어 단어 의미 유사도를 측정하는 모델을 제안했다. 마지막으로 성능 평가를 통해 제안하는 모델이 기존 모델보다 향상된 성능을 보임을 입증했다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10a
• /
• pp.172-174
• /
• 2004

최근 유비쿼터스에 관한 연구가 활발히 진행 중인 가운데, 사용자의 현재 상황을 파악하고 적절한 서비스를 제공해 주기 위하여 위치 정보가 많이 활용되고 있다 이러한 위치 정보는 가정과 같은 실내 환경에서 사용자의 위치 경로와 공간에 구성되어 있는 객체들의 위치를 비교하여, 관계를 탐지하고, 적절한 룰을 사용해 추론함으로써, 사용자에게 필요한 서비스를 요청 없이 자동으로 제공하는데 유용하게 쓰일 수 있다. 본 논문에서는, 가공되지 않은 위치기반의 센서 데이터로부터 상황에 대한 의미를 지닌 컨텍스트(context)를 추론해 내는 시스템의 구조를 제안한다. 본 시스템은 크게 네 개의 계층으로 구성되어 있다. 첫째. 센서 계층(Sensor layer)은 센서로부터 객체의 위치정보를 얻어내어 센서 데이터를 구성한다 둘째, 질적 관계 계층(qualitative layer)은 센서 데이터를 기반으로 하여 객체간의 상대적인 위치 관계를 탐지한다. 셋째, 시공간적 관계 계층(relational layer)은 시간에 따라 축적되는 질적 관계 계층(qualitative layer)의 데이터를 기반으로 하여 객체간의 시간적 공간적인 위치 관계를 추론한다 넷째, 마지막으로 의미적 계층(semantic layer)에서는 객체간의 상황에 안는 의미를 추론함으로써, 서비스 제공을 위한 컨텍스트(context)를 얻는다.

• Proceedings of the Korean Society for Cognitive Science Conference
• /
• 2000.05a
• /
• pp.164-170
• /
• 2000

본 논문은 과거 많은 학자들에 의해 제기된 주구조와 부구조, 하위구조 등의 담화 내 계층적 구조에 대한 증거로 일탈을 중심으로 부구조를 분석하였다. 먼저 주제 일탈의 구조와 정의에 관해 분석하고 중단과 화제 전환 등과의 차이를 설명하였다. 지식 표현 언어인 Sowa의 개념구조론의 체계 내에서 담화의 계층적 구조와 그 구조를 나타내는 언어적 표시인 담화 표지의 예를 기술하는 방법을 제시한다. 개념 관계로 일탈, 화제 전환, 틀의 관계를 설정하여 담화 내 계층구조와 담화 부분과의 화용적인 관계를 규명하였다. 기존의 개념구조론은 선택적 제약, 조응 등의 의미론적인 개념들을 간결하고 정확하게 기술할 수 있었는데 화용론적인 측면의 기술도 가능함을 보여준다.

• The Transactions of the Korea Information Processing Society
• /
• v.5 no.5
• /
• pp.1185-1203
• /
• 1998

When the class is added of deleted in object-oriented system, restructuring of class hierarchy is needed which enables new relationship with classes. But existing system requires much additional analysis costs because it is difficult to know the meaning between parent class and child class. This paper presents the updates method based on semantic modification through new relationship classification method. This method measures the similarity of classes and based on it's relationship, this method restructures class hierarchy by classifying not-equality, part-of, equality, inclusion, subset relation. This method can minimize the probability of meaning error for classes when the class hierarchy is changed. Also this enhances the reusability and understandability through various graphic and text processing.