부스트캠프 AI Tech 4기

(데이터 제작) 자연어처리 데이터 기초

쉬엄쉬엄블로그 2023. 8. 27. 13:38
728x90

이 색깔은 주석이라 무시하셔도 됩니다.

자연어처리 데이터 기초

인공지능 모델 개발을 위한 데이터

데이터의 종류

인공지능 기술의 발전

언어 모델 평가를 위한 종합적인 벤치마크 등장

벤치마크의 구성

데이터 관련 용어 정리

텍스트 text

  • 주석, 번역, 서문 및 부록 따위에 대한 본문이나 원문
  • 언어 문장보다 더 큰 문법 단위.
  • 문장이 모여서 이루어진 한 덩어리의 글을 이른다.

말뭉치 corpus(단수형), plural corpora(복수형)

  • 말뭉치(이상섭, 1988) : 어떤 기준으로든 한 덩어리로 볼 수 있는 말의 뭉치(한 저작자의 저작 전부, 특정 분야 저작 전체)
  • 텍스트 아카이브 text archive vs 말뭉치 corpus(selected, structured, designed)
  • 정제된 텍스트 데이터를 말뭉치라고 함

데이터 data

  • 정보, 통신 컴퓨터가 처리할 수 있는 문자, 숫자, 소리, 그림 따위의 형태로 된 정보
  • 말뭉치 데이터 corpus data: 말뭉치 자체
  • 말뭉치의 데이터 data from corpus : 용례 색인 결과, 연어 추출 결과, 통계 분석 결과

주석

  • 주석 : tag, label, annotation
  • 주석하다 : tagging, labeling
  • 분석하다 : analysis

형태소 분석기 VS 형태소 주석기

  • 영어는 POS(Part of speech) tagger
    • Segmentation
    • Tagging
  • * 한국어에서는 왜 형태소(품사) 주석기가 아니라 형태소(품사) 분석기라고 할까?*
    • 초기에 형태소에 주석을 다는 행위들은 언어 현상들을 분석하는 것이라고 생각하여 한국어의 경우에는 주석기라 하지 않고 분석기라고 이름 붙임
    • 언어 사실을 분석하고자 하는 열망 반영

언어학의 연구 분야

텍스트 데이터의 기본 단위

  • 영어 말뭉치의 계량 단위 : 단어(=띄어쓰기 단위) / 문장 또는 발화
  • 한국어 말뭉치의 계량 단위 : 어절(=띄어쓰기 단위) / 문장 또는 발화
  • 한국어의 “단어” : 9품사로 분석됨(명사, 수사, 대명사, 동사, 형용사, 관형사, 부사, 조사, 감탄사)
    • 이 중 “조사”는 체언(명사, 수사, 대명사)와 붙어서 사용되기 때문에 띄어쓰기 단위와 단어의 단위가 일치하지 않음!
    • 또한, “어미”는 하나의 품사로 인정되지 않으며 형태 단위이므로 독립된 단어가 아님
    • “어미”는 단어가 아니고 “조사”는 단어임
  • 품사 : 단어를 문법적 성질의 공통성에 따라 몇 갈래로 묶어 놓은 것
  • 품사 분류의 기준 : 의미(뜻, meaning), 기능(구실, function), 형식(꼴, form)

타입 type & 토큰 token

  • 토큰화 tokenization > 표제어 추출 lemmatization / 품사 주석 POS(part of speech) tagging
  • 토큰 : 언어를 다루는 가장 작은 기본 단위, 단어 word, 형태소 morpheme, 서브워드 subword
  • 타입 : 토큰의 대표 형태
  • 한국어 예시
    • “이 사람은 내가 알던 사람이 아니다”
    • 토큰화 : 이 사람 은 내 가 알 더 ㄴ 사람 이 아니 다
    • 표제어 추출 : 이, 사람, 나, 알다, 아니다
    • 품사 주석 : 이/MM 사람/NNG+은/JX 나/NP+가/JKS 알/VV+더/EP+ㄴ/ETM 사람/NNG+이/JKS 아니/VA+다/EF
    • 토큰 수 : 12개, 타입 수 : 10개
  • 영어 예시
    • “She is gone but she used to be mine”
    • 토큰화 : She is gone but she used to be mine
    • 표제어 추출 : She, be, go, but, use, to, mine
    • 품사 주석 : she_PR is_VBZ gone_VBN but_IN she_PRP used_VBD to_TO be_VB mine_JJ
    • 토큰 수 : 9개, 타입 수 : 8개

N-gram

  • 연속된 N개의 단위
  • 입력된 단위는 글자, 형태소, 단어, 어절 등으로 사용자가 지정할 수 있음
  • 글자수 bi-gram
    • 흔들리는 꽃들 속에서 네 샴푸향이 느껴진거야 : 흔+들, 들+리, 리+는, 는+꽃, 꽃+들 …
  • 형태소 bi-gram
    • 흔들리는 꽃들 속에서 네 샴푸향이 느껴진거야 : 흔들리+는, 는+꽃, 꽃+들, 들+속, 속+에서 …
  • 어절 bi-gram
    • 흔들리는 꽃들 속에서 네 샴푸향이 느껴진거야 : 흔들리는+꽃들, 꽃들+속에서, 속에서+네 …
  • 보통은 bi-gram, uni-gram을 많이 씀

표상 representation

  • 대표로 삼을 만큼 상징적인 것
  • 표상-하다
    • ~을 추상적이거나 드러나지 아니한 것을 구체적인 형상으로 드러내어 나타내다.
  • 자연어처리 분야에서 표현으로 번역하기도 하나, 자연어를 컴퓨터가 이해할 수 있는 기법으로 표시한다는 차원에서 표상이 더 적합
  • 표시를 통해 재현 과정을 통해 나타내는 작업
  • 사전학습모델(PLM, pretrained language model), word2vec 등등

자연어처리 데이터 형식

HTML (Hypertext Markup Language)

  • 우리가 보는 웹페이지가 어떻게 구조화되어 있는지 브라우저로 하여금 알 수 있도록 하는 마크업 언어
  • 보통 웹페이지를 크롤링한 자료는 HTML 형식으로 되어 있음
  • 파싱 라이브러리(beautifulsoup 등)을 통해 태그를 제외한 순수한 텍스트만 추출하여 사용

XML(EXtensible Markup Language)

출처 : 세종 말뭉치

  • 사람과 기계가 동시에 읽기 편한 구조
  • 다른 특수한 목적을 갖는 마크업 언어를 만드는데 사용하도록 권장하는 다목적 마크업 언어
  • <> 안에 태그 정보를 부여
  • 여는 태그 <>와 닫는 태그 </>로 구성
  • **HTML과의 차이 : HTML은 태그가 지정되어 있으나 XML은 사용자가 임의로 지정하여 사용할 수 있음

JSON(JavaScript Object Notation)과 JSONL(JavaScript Object Notation Lines)

  • 속성-값 쌍(attribute-value pairs and array data types (or any other serializable value)) 또는 “키-값 쌍”으로 이루어진 데이터 오브젝트를 전달하기 위해 인간이 읽을 수 있는 텍스트를 사용하는 개방형 표준 포맷
  • 기본 자료형 : 수, 문자열, 불린, 배열, 객체, null
  • JSONL은 JSON을 한 줄(Line)로 만든 것

CSV(comma-separated values)

  • 몇 가지 필드를 쉼표(,)로 구분한 텍스트 데이터 및 텍스트 파일

TSV(tab-separated values)

  • 몇 가지 필드를 탭(\t)로 구분한 텍스트 데이터 및 텍스트 파일

공개 데이터

경진대회 공개 데이터

국가 주도 공공 데이터

오픈소스 + benchmark

출처: 부스트캠프 AI Tech 4기(NAVER Connect Foundation)