• 기호학연구
• /
• 제54호
• /
• pp.119-145
• /
• 2018

본 논의는 서사로서 <바리공주>를 이해하기 위해 대상에 대한 층위를 나누고 이에 대한 접근 방법을 재검토하고자 한다. 서사의 층위 구분과 각 층위별 분석, 그리고 그것들에 대한 통합적 접근이 이루어진다면, 이는 <바리공주>를 이해하고 연구하는 새로운 방향과 방안을 제시하는 데 기여할 수 있을 것이다. <바리공주>의 이야기 차원, 즉 표층 구조는 주인공 인물의 탄생에서부터 시작된 삶의 과제를 공간 이동과 연대기적 순차 구조로 형상화하고 있다. 이 이야기는 태어나면서 정체성을 부정당한 한 여성이 어떤 과정을 통해 존재론적 변신을 이루고 정체성을 찾아가는지를 보여준다. 특히 정체성 찾기의 여정이 주로 가족 구성원과의 관계를 통해 발생하는 사건들을 통해 형성되어 있다. 이야기 차원에서 찾을 수 있는 이 같은 구조는 가족 구성원의 갈등과 화해, 삶과 죽음이라는 대립적 패러다임으로 심층 구조를 형성하고 있다. 이 이야기를 통해 드러나는 사유 구조는 삶의 문제가 가족 구성하기의 문제이며, 동시에 죽음의 문제 역시 마찬가지라는 점이다. 삶과 죽음이라는 대립되는 것들이 공존하는 이 세계를 어떻게 통합시켜 바라 볼 것인가에 대한 답으로 이 신화의 전승집단은 인간과 신을 관계 맺게 하고 있다. 이 이야기는 망자를 천도하는 굿에서 주요하게 소통된다. 무당이 발신자이고 제의 참여자가 수신자이지만, 실제 이 이야기는 특정한 상황에서 반복되는 전혀 새로운 정보가 없는 메시지이다. 굿에서 단골과 참여자들은 <바리공주> 서사를 단순히 메시지로 수용하는 것이 아니라 자가 커뮤니케이션을 통해 자신을 삶과 행위를 재구성하는 코드로 수용한다. <바리공주>의 인물과 사건을 자신의 삶과 상동적 관계로 받아들임으로써 주어진 일상의 삶을 삶과 죽음, 단절과 소통, 갈등과 화해의 통합적 시각으로 그리고 현재적 관점으로 수용하게 된다. 이는 세상과 현실을 바꿀 수 없지만 그것에 대한 '나'의 삶의 태도를 바꾸는 것으로, 결국 이것이 신화에서 바리공주가 신으로 변신하는 것처럼, 개인이 제의 커뮤니케이션을 통해 이룰 수 있는 변화 변신인 것이다. 이처럼 <바리공주>는 이야기의 층위, 이야기 생성의 층위, 이야기 소통의 층위에서 각각의 의미나 기능이 상호 관련을 맺고 있음을 알 수 있다. 또한 세 층위에서 신화서사가 드러내는 구조는 신화 전승집단의 의식 세계와 문화체계를 드러내는 데에도 효과적이다.

• 지능정보연구
• /
• 제23권2호
• /
• pp.71-88
• /
• 2017

언어모델은 순차적으로 입력된 자료를 바탕으로 다음에 나올 단어나 문자를 예측하는 모델로 언어처리나 음성인식 분야에 활용된다. 최근 딥러닝 알고리즘이 발전되면서 입력 개체 간의 의존성을 효과적으로 반영할 수 있는 순환신경망 모델과 이를 발전시킨 Long short-term memory(LSTM) 모델이 언어모델에 사용되고 있다. 이러한 모형에 자료를 입력하기 위해서는 문장을 단어 혹은 형태소로 분해하는 과정을 거친 후 단어 레벨 혹은 형태소 레벨의 모형을 사용하는 것이 일반적이다. 하지만 이러한 모형은 텍스트가 포함하는 단어나 형태소의 수가 일반적으로 매우 많기 때문에 사전 크기가 커지게 되고 이에 따라 모형의 복잡도가 증가하는 문제가 있고 사전에 포함된 어휘 외에는 생성이 불가능하다는 등의 단점이 있다. 특히 한국어와 같이 형태소 활용이 다양한 언어의 경우 형태소 분석기를 통한 분해과정에서 오류가 더해질 수 있다. 이를 보완하기 위해 본 논문에서는 문장을 자음과 모음으로 이루어진 음소 단위로 분해한 뒤 입력 데이터로 사용하는 음소 레벨의 LSTM 언어모델을 제안한다. 본 논문에서는 LSTM layer를 3개 또는 4개 포함하는 모형을 사용한다. 모형의 최적화를 위해 Stochastic Gradient 알고리즘과 이를 개선시킨 다양한 알고리즘을 사용하고 그 성능을 비교한다. 구약성경 텍스트를 사용하여 실험을 진행하였고 모든 실험은 Theano를 기반으로 하는 Keras 패키지를 사용하여 수행되었다. 모형의 정량적 비교를 위해 validation loss와 test set에 대한 perplexity를 계산하였다. 그 결과 Stochastic Gradient 알고리즘이 상대적으로 큰 validation loss와 perplexity를 나타냈고 나머지 최적화 알고리즘들은 유사한 값들을 보이며 비슷한 수준의 모형 복잡도를 나타냈다. Layer 4개인 모형이 3개인 모형에 비해 학습시간이 평균적으로 69% 정도 길게 소요되었으나 정량지표는 크게 개선되지 않거나 특정 조건에서는 오히려 악화되는 것으로 나타났다. 하지만 layer 4개를 사용한 모형이 3개를 사용한 모형에 비해 완성도가 높은 문장을 생성했다. 본 논문에서 고려한 어떤 시뮬레이션 조건에서도 한글에서 사용되지 않는 문자조합이 생성되지 않았고 명사와 조사의 조합이나 동사의 활용, 주어 동사의 결합 면에서 상당히 완성도 높은 문장이 발생되었다. 본 연구결과는 현재 대두되고 있는 인공지능 시스템의 기초가 되는 언어처리나 음성인식 분야에서 한국어 처리를 위해 다양하게 활용될 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.