연구/형태소 분석2008. 3. 18. 18:13

형태소 분석기에 대한 다양한 문의가 오고, 몇몇 분들이 라이센스에 대한 문의를 해주셔서 이를 정리하고자 한다. 정리하면서 몇 가지 이상한 분석 결과를 만들어내는 것들을 수정해서 재배포 한다.

1. Korean Morpheme Analyzer V0.9.1 by therocks.
이전 버젼들은 모두 삭제해서 지금 올라가는 것을 사용하는 것을 권장한다.


* 수정된 점

1) 부정확한 띄어쓰기 추가 개선
'검색서비스를' 과 같은 문장을 처리할 때, 속도를 향상시키기 위해서 앞부분에서 적당히 검색결과가 나오면 띄어쓰기 처리를 해주고 다음 문자열들을 처리하도록 하였는데, 검색(명사)+서(조사)+[ ]+비(명사) 가 되는 순간 잘라버려서 서비스가 정상적으로 추출되지 않는 문제가 있었는데, 이를 5글자 이후에 처리하도록 하여 5글자 내에서의 부정확한 띄어쓰기를 없앴다. 5글자가 넘는 경우에 대해서는 추후 고려해야할 것같고, 아마도 속도가 좀 느려질 것 같다.

2) 미등록어 처리 기능 개선
미등록 어휘가 이상한 사전 어휘들로 완결되지 않은 상태(어미나 나타날 것이라 고려하였지만, 나타나지 않고 끝나는 경우)에서 조합되는 경우가 발생하는데, 이를 위해 미등록어를 prune하는 것을 방지하도록 수정하였다.

2. Licensing
생각외로 많은 분들이 관심을 주시고, 프로그램을 사용하시는 것 같아서 이전에 고민하지 않던 라이센스를 고려해야할 것 같다. 사전에 대한 문제가 아직 남아 있지만, 일단은 GPL로 진행할 것이다. 아직 정확한 체계를 잡지 않았지만, Dual License 를 취해서 개인이나 비영리에 대해서는 무료로 하고, 영리에 대해서는 다른 라이센스를 적용하고자 한다. 처음부터 많은 사람들이 활용할 수 있는 형태소 분석기를 배포하는 것이 목적이었기 때문에, 돈에는 별 욕심이 없다.

기본적으로 다음의 네 가지의 원칙을 가지고 라이센싱에 대해서 고민하고자 한다.

  • 소스와 내부 데이터의 수정과 활용은 자유롭게 할 수 있다.
  • 소프트웨어에 대한 지원을 하지 않는다.
  • 다른 프로그램이나, 서비스에 활용시 출처를 밝혀야 한다.
  • 영리적인 목적으로 프로그램을 배포하여서는 안된다.

조만간 다른 자료들을 검토하여 자세한 라이센스 정책에 대해서 업데이트 하고자 한다.

Posted by 락끄

댓글을 달아 주세요

  1. 비밀댓글입니다

    2008.05.03 22:12 [ ADDR : EDIT/ DEL : REPLY ]
  2. 안녕하세요^^ 젊으신것 같은데 실력이 엄청나시네요~ 형태소 분석기 관련되서 공부해야 될부분이 뭐가 있을까요? 자연어처리나 전산언어만으로는 감만 오지 도데체 어떻게 구현해야 될지 모르겠는데 어떤부분을 참고하셨는지 제가 알수있을까요?

    2008.05.26 17:13 신고 [ ADDR : EDIT/ DEL : REPLY ]
    • 저는 처음에 강승식 교수님의 "한국어 형태소 분석과 정보 검색"이라는 책을 전체적으로 봤구요. 그 이후에 심광석 교수님의 논문을 봤구요. 그 외에도 몇가지 형태소 분석이나, 띄어쓰기 처리 등에 관한 논문들을 봤습니다.

      그 외에는 그냥 제 프로그래밍 스타일로 쭉 짠거구요. ^^
      사실 프로그램보다는 언어학적 지식이 좀 있어야 하는 것 같더라구요. 문법적인 규칙들을 어느정도는 넣어야 하는데, 예를 들어 음운 규칙이나, 상관 규칙등은 정리해서 반영하는게 쉽지는 않은 것 같습니다.

      2008.05.27 16:06 신고 [ ADDR : EDIT/ DEL ]
  3. 딕셔너리 부분을 Revered 색인파일만들어서 찾아오는식으로 처리해야될것같습니다. 어쨋든 큰도움 되네요 감사합니다.

    2008.05.26 17:43 신고 [ ADDR : EDIT/ DEL : REPLY ]
    • 저도 그렇게 생각하고 있는데, 어떻게 하는지 모르겠네요. 파일 처리 쪽이 완전 취약해서, 혹시 참고할만한 자료가 있으면 알려주시면 감사하겠습니다. ^^

      2008.05.27 16:07 신고 [ ADDR : EDIT/ DEL ]
  4. 음 대용량 자료처리 Managed Gigabytes 라는 책이 있는데요.

    예전 방식이긴한데 큰 도움이 되긴합니다.

    아니면 최소한 2진 트리형식

    단어를 2진파일형태로(유니코드는 크기가 크니까)저장후에

    3N혹은 4N정도 아스키코드 탐색하면 지금보단 속도는 느리겠지만

    앞으로 동의어 등의 처리까지 생각한다면 낫지 않을까요?

    대용량 자료처리에 관한 부분은 데이터베이스 구현이 나와있는 책이나

    루신의 2진데이터 체계를 참고하면 될것같은데

    저도 더락님의 소스를 가지고 개발해도 될까요? 사실

    루신을 1년여넘게 수정해서 만든 검색엔진이 있는데 형태소 분석기를

    만들어보고싶었거든요..

    2008.05.27 18:49 [ ADDR : EDIT/ DEL : REPLY ]
  5. 비밀댓글입니다

    2008.05.31 21:57 [ ADDR : EDIT/ DEL : REPLY ]
  6. 검개그에서 공개하신다는 글 봤는데
    구글 검색에서 또 보게 되었네요.^^

    좋은 자료 고맙습니다.^^

    2008.07.09 15:45 신고 [ ADDR : EDIT/ DEL : REPLY ]
  7. 비밀댓글입니다

    2009.07.08 03:05 [ ADDR : EDIT/ DEL : REPLY ]