중첩 명명된 실체 인식을 위한 경계 인지 신경망 모델

자연어 처리 분야에서 여러 엔티티가 서로 중첩되어 포함되는 경우가 흔하다. 기존의 대부분의 명명된 엔티티 인식(NER) 연구는 평면적(플랫) 엔티티에만 초점을 맞추며 중첩된 엔티티를 무시해왔다. 본 연구에서는 엔티티 경계 정보를 활용하여 엔티티의 카테고리 레이블을 예측하는 경계 인식 신경망 모델을 제안한다. 제안한 모델은 시퀀스 레이블링 모델을 통해 엔티티 경계를 탐지함으로써 엔티티의 정확한 위치를 파악할 수 있다. 탐지된 경계를 기반으로, 모델은 경계와 관련된 구역을 활용하여 엔티티의 카테고리 레이블을 예측함으로써 계산 비용을 절감하고 계층적 시퀀스 레이블링 모델에서 발생하는 오류 전파 문제를 완화할 수 있다. 또한, 엔티티 경계와 카테고리 레이블 간의 의존성을 효과적으로 포착하기 위해 다중 작업 학습(multitask learning)을 도입하여 엔티티 식별 성능을 향상시켰다. 실험은 GENIA 데이터셋을 대상으로 수행되었으며, 실험 결과 제안 모델이 기존 최고 성능 기법들을 모두 상회함을 확인하였다.