02. 자연어처리 - 진행순서

 

1. 문제 정의

•  문제의 대한 솔루션이 있어야 하고, 명확하고 구체적일수록 알맞는 자연어처리 기술을 찾을 수 있음

 

 

 

 

 

2. 데이터 수집 및 분석

• 다양한 학습데이터를 수집하기 위해 공개된 데이터셋, 유료 데이터셋 또는 웹 크로링을 사용하여 수집

 

• 사이트: https://paperswithcode.com/datasets?mod=texts&task=question-answering

Papers with Code - Machine Learning Datasets

• 웹크로링을 통해 데이터를 수집 했다면 EDA(탑색적 데이터 분석) 및 분석을 통해 데이터를 철저하게 검증해야함
• 레이블이 필요하다면 수집한 데이터에 레이블을 붙여야 함

 

 

 

 

 

 

3. 데이터 전처리

• 학습에 용이하게 데이터를 수정/보완 하는 작업
• 자연어처리 진행 과정에서 데이터가 차지하는 비준이 매우 높기 때문에 데이터를 수집하고 전처리하는 과정이 매우 중요함
• 토큰화(Tokenization): 주어진 데이터셋에서 문장이나 문서들을 토큰 단위로 나누는 작업
• 정제(Cleaning):갖고 있는 데이터셋으로 노이즈 데이터(이상치, 편향 등)을 제거하는 작업 
• 정규화(normalization):표현 방법이 다른 데이터들을 통합시커서 같은 항목으로 합침

 

1. 토큰화 (Tokenization)

토큰의 단위는 자연어 내에서 의미를 가지는 최소의 단위로 정의   토큰화 작업은 주어진 코퍼스내 자연어 문장들을 토큰이라 불리는 최소 단위로 나누는 작업 코퍼스: 자연어 처리 연구나 애플리케이션 활용을 염두에 두고 수집된 테스트 데이터셋을 의미

2. 토큰화 과정의 필요성

언어의 모델의 자언어 이해 능력 향상  다양한 자연어를 효율적으로 표현 가능 중복을 제거한 대규모 자연어 코퍼스 내 토큰의 집합(단어 사전) 사용 적절한 정보량을 내포하면서 전체 단어 사전의 개수가 많아지지 않도록 토큰의 단위를 잘 정의해야 함 상황에 따라 다르지만 , 일반적인 자연어 처리 작업에서 단어 사전의 규모는 약 10000 ~ 50000개 정도로 구성 (현재 한글의 글자 수는 11172개)

3. 토큰화 방법

문장 토큰화 : 토큰의 기준을 문장으로 하는 토큰화 방법  문장의 끝에 오는 문장 부호를 기준으로 코퍼스를 잘라냄(. 또는 ! 또는 ?)  단어 토큰화 : 토큰의 기준을 단어로 하는 토큰화 방법  보편적으로 구분 기호를 가지고 텍스트를 나눈게 되며, 기본적으로 공백을 구분자로 사용  한국어의 경우 교착어이기 떄문에 공백으로 단어 토큰화를 하면 성능이 좋지 않음  새로운 단어가 추가될수록 단어 사전의 크기가 계속 증가  OOV(Out of Vocabulary) 문제   문자 토큰화 : 토큰의 기준을 문자로 하는 토큰화 방법  단어 토큰화의 한계점들을 해결하기 위한 방법 영어는 26개의 알파벳에 따라 분리, 한국오는 자음 19와 모음 21개의 글자에 따라 분리 문장 하나를 생성하는데 너무 많음 추론이 필요함  단어 사전이 작지만, 모델에 예측 시간에 문제가 생길수 있음  서브워드 토큰화 : 토큰의 기준을 서브워드로 하는 토큰화 방법   단어 토큰화와 문자 토큰화의 한계점을 해결하기 위한 방법 문자 토큰화의 확장된 버전으로 토큰의 단위를 n개의 문자로 정의하고 해당 기준에 따라 텍스트를 분절하는 방법 형태소 분절 기반의 서브워드 토큰화로 확장될 수 있어 한국어에서도 좋은 성능을 가짐 서브워드를 만드는 알로그즘중에서 가장 유명한 것은 BPE

 

 

 

 

 

 

4. 서브워드 토큰화

 

1. 서브워드 토큰화

단어보다 더 작은 의미의 단위  단어를 여러 서브워드로 분리해서 단어 사전을 구축하겠다는 토큰화 방법 신조어에서 주로 발생하는 OOV문제를 완화 예) birthday = birth + day       아침밥 = 아침 + 밥

2. BPE(Byte Pair Encoding)

코퍼스 내 단어의 등장 빈도에 따라 서브워드를 구축하는데 사용  2016년 아래 논문에서 처음 제안 Neural Machine Translation of Rare Words with Subword Units: https://arxiv.org/abs/1508.07909 글자단위에서 점진적으로 서브워드 집합을 만들어내는 Bottom-up 방식의 접근 방식으로 자연어 코퍼스에 있는 모든 단어들을 글자 단위로 통합하는 방식

3. WorldPiece Tokenizer

구글이 2016년도 아래 논문에 처음 공개한 BPE의 번형 알고리즘 : https://arxiv.org/abs/1609.08144 병합할 두 문자가 있을 때 각각의 문자가 따로 있을 때를 더 중요시 여기는지, 병합되었을 때를 더 중요시 여기는지에 차이점을 둠  GPT모델와 같은 생성 모델의 경우에는 BPE 알로리즘을 사용 BERT, ELECTRA와 같은 자연어 이해 모델에서는 WorldPiece Tokenizer를 주로 사용

 

 

 

 

 

5. 정제(Cleaning)

• 토큰화 작업에 방해가 되는 부분들을 필터링하거나 토큰화 작업 이후에도 여전히 남아있는 노이즈들을 제거하기 위해 지속적으로 이뤄지는 전처리 과정 
• 어떤 특성이 노이즈인지 판단하거나 모든 노이즈를 완벽하게 제거하는 것은 어렵기 때문에 일돈의 합의점을 찾아야 함

 

1. 정제 작업의 종류

불용어(Stopword) 처리  불용어의 정의는 가변적이기 때문에 추가하고 싶은 불용어가 있다면 직접 정의할 수 있음  보편적으로 선택할 수 있는 한국어 불용어 리스트 : https://www.ranks.nl/stopwords/korean 불필요한 태그 및 특수 문자 제거   코퍼스 내 등장 빈도가 적은 단어 제거 코퍼스 내 단어들의 빈도를 분삭하여 분표를 보고 특정 Threshold를 설정한 후, 해당 threshold아래의 단어들을 필터링하는 방식으로 정제

2. 정제 과정에서 유의해야할 점

@와 같은 특수 문자는 일반적인 작업에서는 정보양이 적은 토큰일 수 있지만 이메일과 관련한 내용을 판단해야 하는 작업에서는 유용한 토큰으로 사용될 수 있음 자연어처리 작업에서 데이터를 수집한 이흐에는 항상 목적에 맞지 않는 노이즈가 있진 않은지 검사하고 발견한 노이즈를 정제하기 위한 노력이 필요

 

 

 

 

 

6. 정규화(Normalization)

• 일반적인 머신러닝 작업에서 데이터 정규화는 학습데이터의 값들이 적단한 범위를 유지하도록 데이터의 범위를 변환하거나 스케일링하는 과정 
• 정규화 목표는 모든 데이터가 같은 정도의 스케일로 반영되도록 하는 것 
• 자연어처리 정규화의 핵심은 표현방법이 다른 단어들을 통합시켜서 같은 단어로 만들어주는 과정 

 

1. 정규화 작업이 필요한 이유

이상적으로 단어 사전 내의 단어 토큰들이 코두 중요하게 고려되길 원함 자연어의 특성 상 의미가 같은데 표기가 다른 단어들이 있을 수 있고, 의미가 같지만 사용 빈도가 낮은 동의어들을 학습에 유용하게 활용되지 않을 수 있음 의미가 같지만 표기가 다른 단어들을 통합할 수 있다면, 통합된 단어의 사용 빈도가 높아질 것이고 빈도가 낮은 단어들의 중요도가 높아질수 있음

2. 정규화 작업의 종류

어간 추출, 표제어 추출 어간 추출: 형태학적 분석을 단군화한 버전으로 정해진 규칙만 보고 단어의 어미를 자르는 어림짐작의 작업  표제어 추출: 단어들이 다른 형태를 가지더라고, 그 뿌리 단어를 찾아가서 단어의 개수를 줄일 수 있는지 판단하는 방법 대소문자 총합   대문자와 소문자가 구분되어야 하는 경우도 있음 , 무작정 소문자로 총합해서는 안됨, 예) US(미국), us(우리)

3. 정규화 시 유의할 점

규칙이 너무 엄격한 정규화 방법은 부작용이 심해 학습에 악영향을 줄 수 있음 원본 의미를 최대한 유지하는 것이 학습에 도움이 됨  대화에서 사용하는 의미가 비슷한 이모티콘들을 통합하는 정규화 작업

 

 

 

 

 

7. 한국어 데이터 전처리

 

1. 한국어의 특성

영어는 합성어나 줄임말에 대한 예외처리만 한다면 띄어쓰기를 기준으로 하는 토큰화 작업으로도 어느 정도의 성능을 보장할 수 있음 한국어에는 조사나 어미가발달되어 있기 때문에 띄어쓰기만으로 단어를 분리하면 의미적인 훼손이 일어날 수 있음 띄어쓰기 단위가 되는 단위를 "어절"이라고 하는데 어절 토큰화와 단어 토큰화가 같지 않기 때문

2. 형태소 분석

형태소를 비룻하여, 어근/접두사/접미사/품사 등 다양한 언어적 속성의 구조를 파악하는 것을 의미 형태소 분석 과정은 한국어 단어에서 형태소를 추출하여 분리하는 작업이며, 이후에 필요에 따라 사전 정의된 품사를 해당 단어에 태깅하는 작업을 하기도 함  태깅: 형태소의 뜻과 문맥을 고려하여 단어에 품사를 매핑하는 것

 

@. 과제 

논문리뷰하기

 

1. https://arxiv.org/abs/1508.07909

Neural Machine Translation of Rare Words with Subword Units

 

2. https://arxiv.org/abs/1609.08144

Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation