'형태소분석기'에 해당되는 글 3건

  1. 2008.03.18 형태소 분석기 0.9.1 배포 및 라이센싱 (9)
  2. 2008.02.11 Java로 구현한 형태소 분석기 beta (16)
  3. 2007.11.26 공개된 형태소 분석기가 필요하다! (6)
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 ]

연구/형태소 분석2008. 2. 11. 17:08

구현한 형태소 분석기를 공개하고자 맘 먹은지 한참이 됐지만, 여러가지 이유로 공개를 미뤄왔었다.

  1. 과연 이걸 사용할 사람이 있을것인가?
  2. 테스트가 미진한데, 결과는 제대로 나올 것인가?
  3. 성능이 나올 것인가?

위의 세 가지가 나에게 공개에 대해서 확답을 주지 못했다. 사실 1번은 별 문제되진 않았지만, 2,3 번 때문에 계속 고민하고 있었다. 사실 사전 정비와 같이 추가로 계획하고 있던 일들을 마치고 공개하고자 했지만, 계속해서 미루고 있어서 이를 해결하고, 고민도 마무리가 되고 공개하는건 불가능해보인다.

그래서 문제가 있고, 아직 고민하고 있지만, 일단은 소스를 간단히 정리해서 공개한다.
사전자료가 이곳 저곳에서 긁어모은 것이라 출처도 일정치 않고, 주요 정보들이 아니라 말뭉치만 있으니 그리 문제되진 않을 것 같다.

eclipse로 작업하고 있어서 프로젝트 폴더를 통째로 압축해서 첨부한다.

이전 버젼은 삭제합니다.

관련 글은 연구실 홈페이지에 업데이트 하고 있지만, 언제 끝날지는 장담 못하겠다. ^^;;
Implementing Typo and Spacing Tolerant Korean Morpheme Analyzer

간단히 테스트 해보기 위해서는 eclipse로 프로젝트를 불러 들여서 MorphemeAnalyzer 에 있는 main()함수를 실행하면 된다.

아래의 예는 띄어쓰기 없이 간단히 다음 문장을 넣어서 테스트한 결과이다.
"나는무엇을먹고사는사람이더냐"
띄어쓰기가 안되어 있기에 가능한 결과들을 쭈욱 만들어가다가 적합한 결과를 반환하는데, 최종 결과는 원하는 형태로 딱 나오진 않는다. 그치만 수정하기도 어렵고, 방법이 있다고 해도 많은 자료들을 이용해야 해서 아직은 적용하지 못하고 있다.

PS. 자세한 내용을 알고 싶은 분은 메일로 문의 주세요.
추가해서 블로그 업데이트 하겠습니다. (왠지 없을 듯... ^^)

Posted by 락끄

댓글을 달아 주세요

  1. 멋지네요 ~~ 검개그에서 보고 들어왔습니다.
    형태소분석기가 없어 답답해 하던 분들에게는 샘물같은 존재일 것 같습니다. 이제 정말 힘든 발을 디디신 듯 하네요 .. 힘내시고요 파이팅입니다.

    2008.02.12 09:33 [ ADDR : EDIT/ DEL : REPLY ]
    • 추가로 해보고 싶은 것들은 많은데, 쉽게 엄두가 나질 않네요. 그래도 누군가에게 도움이 된다면 좋을 것 같아요. 격려 말씀 감사합니다. ^^

      2008.02.12 12:30 신고 [ ADDR : EDIT/ DEL ]
  2. 공개 감사합니다. 건승하십시오.

    2008.02.14 10:03 [ ADDR : EDIT/ DEL : REPLY ]
    • 공개한만큼 앞으로 잘 관리가 될 수 있음 좋겠네요. 건승하세요~ ㅎㅎ

      2008.02.17 22:53 신고 [ ADDR : EDIT/ DEL ]
  3. 블로그 하고 계셨네요. 이렇게 타고타고 들어와서 아는 사람을 만난다는게... 묘하네요. 여전히 수고하고 계시는군요. ㅎㅎ

    2008.02.14 10:06 신고 [ ADDR : EDIT/ DEL : REPLY ]
  4. 송우상

    제게 참 소중한 자료가 될듯 합니다 항상 한글 형태소분석기에 목말라 있었는데....대단하시네요

    2008.02.15 13:05 [ ADDR : EDIT/ DEL : REPLY ]
  5. 아.. 정말 감사합니다 ^^

    2008.02.15 19:39 [ ADDR : EDIT/ DEL : REPLY ]
  6. 안녕하세요 아 정말 감사합니다.
    소스를 한번 실행 시켜 보고자 하였는데
    heap 메모리가 모지라네요 흐흐... 어느정도의 메모리를 올려야 하는지 알려주시면 감사하겠습니다.

    2008.02.21 16:59 [ ADDR : EDIT/ DEL : REPLY ]
    • 네. 죄송한 말씀이지만, 사실 전 최소 256 이상줍니다.^^;;; 사전이 올라가게되면 대략 200M로 화장됩니다. 개선해야할 부분인데, 아직 방법을 잘 모르겠네요.

      2008.02.22 01:34 신고 [ ADDR : EDIT/ DEL ]
  7. 멋진데요? 제가 파이썬을 좋아하는데, 파이썬으로 포팅되면 재밌을 듯.

    2008.02.21 22:37 [ ADDR : EDIT/ DEL : REPLY ]
    • 멋지다니 감사합니다. Dynamic Programming이 적용되어서 잘 옮겨갈지 잘 모르겠지만, 머 여러 언어로 포팅되는건 좋은 일이죠~ ㅎㅎ

      2008.02.22 01:35 신고 [ ADDR : EDIT/ DEL ]
  8. 마루아라

    인터넷 뒤지다가 여기까지 왔네요..
    형태소 분석기 함 써 볼려고 했는데요 이클립스 옵션을
    -XX:MaxPermSize=512m -Xmx256m -Xms128m 줘도 heap 가 모자라다고 나옵니다 램이 1024m가 좀 안되는데
    -XX:MaxPermSize=512m -Xmx512m -Xms128m 이렇게 옵션을 주면 이클립스가 에러나나네요
    -XX:MaxPermSize=364m -Xmx364m -Xms128m
    이렇게 줘도 heap 가 모자라다고 나와요 ㅠㅠ
    MorphemeFixed.dic
    MorphemeVerb.dic
    두 파일이 30초 넘게 걸려서 내용을 줄이면 실행은 되긴 하네요..
    테스트 함 해보고 싶은데 어케 해결 방안이 없나요??

    2008.05.15 17:18 [ ADDR : EDIT/ DEL : REPLY ]
    • 음... 아마도 메모리에 올리는거라서, 컴퓨터 사양을 좀 타는 것 같습니다. 지금은 좀더 빨라지긴 했는데.. 올리려면 eclipse 자체가 아니라, 프로그램 실행할 때의 옵션을 수정해주어야 합니다. run하는 부분에서 Open Run Dialog가 나오는데 거기서 다양한 옵션을 줄 수 있습니다. 거기에 직접 최대 메모리 크기를 지정해주십시오. 보통 사전이 차지하는 메모리가 200M가 좀 넘습니다.

      2008.05.27 16:02 신고 [ ADDR : EDIT/ DEL ]

연구/형태소 분석2007. 11. 26. 18:02

상당히 오래 전부터 형태소 분석기를 구현하고 있었다. 초기에는 단지 문서에 대한 색인어를 추출하기 위해서 색인어 추출기를 만들었었는데, 그러다 보니 형태소 분석기가 필요하다는 생각이 들어 많은 시행착오 끝에 이를 구현했다. 사실 프로토 타입으로 구문 분석에도 적용하여 Opinion Mining에도 사용해 봤다. 아직은 국내에서 적용되는 Opinion Mining이나 구문 분석보다는 형태소 분석기가 더 어렵고 필요한 기술이라 생각이 든다. 물론 많은 자연어 처리 연구실에서 훌륭한 프로그램을 만들었지만, "공개"되어 사용할 수 있는 것은 없다. 물론 소스 수준에서 공개되어 필요에 따라 소스도 수정할 수 있는 것을 말한다.

실재로 Opinion Mining이나 구문 분석을 해보니 논문에 있는 내용을 적용하는 것이 그리 어렵지 않았다. 통계적 방법을 활용하는 것도 그렇고, 기본 개념만 잘 파악하면 좀 노력이 필요하겠지만, 그리 어려움을 겪지는 않는 일이었던 것 같다. 그러나 그런 것들을 하기 위한 기초를 마련하는 것은 정말 어려웠다. 그 기초데이터라는 것이 결국 구문 분석을 위해서는 각 단어를 분석하고 품사가 무엇인지 확인하고, 단어를 파악하는 것이며, Opinion Mining같은 경우 통계적 방법을 적용한다면 단어의 원형을 복원하고 적절히 인덱싱을 해 놓는 것이다.

관련된 많은 논문에는 단지 '전처리 한다(Preprocessing)', '특질 추출한다'라고 간단히 나와 있지만, 막상 구현해 본 사람들은 이것들이 얼마나 어려운지 알 것이다. RDB를 기반으로 한다고 해도 인덱스 잘 걸어놔야 되고 정말로 어려운 일이다. IR을 위한 몇몇 알고리즘들을 봤지만, 결국 개념도 개념이지만, 그 모델이 잘 적용되도록 좋은 feature들을 잘 뽑아낼 수 있어야 한다고 생각한다.

많은 사람들이 검색 엔진을 구현하기 위해서 형태소 분석기가 필요하다고 하지만, 이를 구해서 사용하지는 못하고 있다. 단지 n-gram방식으로 인덱스를 만들어 둔다거나, 아주 간단한 몇가지 형태소 분석 방법을 적용하여 일부 문제에만 대응하는 식이다. 검색 뿐만 아니라, 형태소 분석이 된다면 한글을 분석해서 할 수 있는 유익한 일은 정말로 많은 것 같다. Auto Tagging이나 Opinion Mining등에도 적용될 수 있을 것이다.

다양한 분야에 좋은 아이디어를 가지고 있음에도, 기본적인 자료 처리가 제대로 되지 않아 쓴맛을 보는 사람들이 많기에 누군가는 자신이 가진 노하우를 공개하고, 서로 교류를 하여 공개된 상태로 형태소 분석기가 발전할 수 있어야 한다고 생각한다.

다음 글에서는 형태소 분석기 구현과 관련된 계획을 세우고 이를 공유해보자

Posted by 락끄

댓글을 달아 주세요

  1. 으하하 오타 발견!
    4번째 줄 Opinion Minining -> Opinion Mining 호호
    그나저나 카테고리가 연구라니, 형답습니다. 난 아직 연구 관련 글 거의 없는데 ;;;

    2007.11.26 23:48 신고 [ ADDR : EDIT/ DEL : REPLY ]
    • 수정 완료...

      난 블로그에 여러 가지 얘기들이 올라오는 것도 좋지만, 나름 주제가 있어야 할 듯 해서...
      내가 공개하고 싶은 연구 관련 일들?에 대해서도 좀 올리려고...ㅎㅎ

      2007.11.27 12:28 신고 [ ADDR : EDIT/ DEL ]
  2. '' 폴형 하이.

    쥔장님의 글이 왠지 도움이 많이 될것 같습니다. 유용한 자료들 보고 갑니다.

    2008.04.16 22:54 [ ADDR : EDIT/ DEL : REPLY ]
  3. 삐따기

    루썬에서 사용이 가능한가요?

    2008.05.20 16:31 [ ADDR : EDIT/ DEL : REPLY ]
    • 죄송하게도 아직 적용해보지 않아서 잘 모르겠습니다. 자바로 된것이니깐 충분히 사용할 수 있을 것 같습니다. 제가 루씬을 잘 몰라서 아직 해보지 않았는데, 나중에 기회가 되면 해보고 말씀드리겠습니다.

      2008.05.27 16:03 신고 [ ADDR : EDIT/ DEL ]
  4. 좋은 생각과 좋은자료 잘 보고갑니다. 님같은 분들에 의해 이나라의 IT개발인프라가 강해질텐데말이죠..... 기쁨반 슬픔반 쳐절히 느끼며~

    2008.10.08 20:19 [ ADDR : EDIT/ DEL : REPLY ]