정보 추출을 활용한 아랍어-영어 기계가독 사전에서의 지식 추출
Extracting Knowledge from an Arabic-English Machine-Readable Dictionary Using Information Extraction
한국어 초록
자연어 처리(NLP) 응용 프로그램은 방대하고 풍부한 언어 지식을 필요로 한다. 또한 사전, 백과사전, 말뭉치와 같은 전자 언어 자원이 점차 활용 가능해졌다. 이에 따라 지식 획득 병목 문제를 해소하기 위해 이러한 자원으로부터 어휘 정보를 자동으로 추출하는 방법들이 등장하였다. 본 연구에서는 아랍어-영어 Al-Mawrid 사전의 기계가독(machine-readable) 버전으로부터 어휘 정보를 자동으로 추출하는 방법을 제시하였다. n-gram 분석과 문맥 내 키워드(KWIC, key-word-in-context) 분석을 활용하여 형태론적, 통사론적, 또는 의미론적 정보를 나타내는 어휘 패턴을 발견하였다. 이후 수작업으로 작성된 규칙 기반 정보 추출 방법을 적용하여 해당 정보를 추출하였다. 아울러 구두점과 일부 휴리스틱을 활용하여 하위 항목 내 동의어 집합을 추출하였다. 본 연구는 모든 유형의 정보에서 높은 정밀도(precision)를 기록하였으며, 동의어에 대해서는 높은 재현율(recall)을, 그 외 정보에 대해서는 낮은 재현율을 보였다. 또한 Al-Mawrid 사전이 상당한 양의 파생어(형태론적 정보), 동의어, 영역 레이블, 하의어/상의어 관계(의미론적 정보)를 포함하고 있음을 확인하였다.
원문 초록
Natural language processing (NLP) applications need large and rich amount of linguistic knowledge. Furthermore, electronic language sources such as dictionaries, encyclopedia, and corpora became available. So, automatic methods are emerged to extract lexical information from those sources to overcome the knowledge acquisition bottleneck. We presented a method to automatically extract lexical information from a machine-readable version of the Arabic-English Al-Mawrid dictionary. We used n-gram analysis and key-word-in-context (KWIC) analysis to discover lexical patterns that manifest morphologic, syntactic, or semantic information. Then, we used hand-crafted rule-based information extraction to extract that information. Furthermore, we used punctuation marks and some heuristics to extract a set of synonyms in a subentry. This study registered high precision for all types of information, high recall for synonyms, and low recall for the other information. The study also showed that the Al-Mawrid has significant amount of derivations (morphologic information) and synonyms, domain labels, and hyponym/hypernym relations (semantic information).
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.28457v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
LA-RL: 정보 추출에서 강화학습을 위한 레이블 인식 자기 반성
LA-RL: Label-Aware Self-Reflection for Reinforcement Learning in Information Extraction
대규모 언어 모델(LLM)은 정보 추출(IE)에서 큰 잠재력을 보이지만, 기존의 반성(reflection) 기반 수정 방법은 구조화된 추출 출력과 종종 정렬되지 않는다. 자유 형식의 자기 반성(self-reflection)은 오류를 표시할 수는 있으나, 실패가 누락된 스팬(span), 잘못된 레이블, 경계 불일치, 유효하지 않은 관계 유형, 또는 뒤바뀐 인자 순서 중 어느 것인지는 거의 식별하지 못한다. 우리는 LA-RL(Label-Aware Reflective Reinforcement Learning, 레이블 인식 반성 강화학습)을 제안한다. 이는 작업에 기반한 진단 레이블로 IE 자기 수정을 안내하는 결과 지도(outcome-supervised) 프레임워크이다. 단일 백본(backbone)이 먼저 추출을 예측하고, 작업별 오류 레이블을 진단한 뒤, 진단 결과를 조건으로 출력을 수정한다. 학습은 주석 모델(annotation model)이 레이블을 부여한 진단 데이터로부터 콜드 스타트 지도 미세조정(SFT)을 시작하며, 프로세스 보상 모델 없이 최종 추출 품질, 형식 유효성, 1차 통과 정확성에 보상을 주는 두 단계의 GRPO를 거친다. 개체명 인식, 관계 추출, 이벤트 추출 실험에서 SFT 대비 동일 백본에서 일관된 성능 향상을 보였으며, SciER 관계 추출에서 평균 F1 6.83, 분포 외(out-of-distribution) 관계 추출에서 약 20 F1, DuEE1.0에서 트리거 F1 14.80과 인자 F1 17.50을 기록했다. 절제(ablation) 실험은 반성 구조가 작업에 민감함을 보여준다. 더 강한 제약은 관계 추출에 유리한 반면, 개체명 인식은 도메인 이동(domain shift) 하에서 덜 제한적인 수정이 필요하다.
KGCQual: 텍스트로부터 구축된 지식 그래프 품질 평가를 위한 해석 가능한 프레임워크
KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text
지식 그래프(Knowledge Graph, KG)는 자동화된 추출 파이프라인을 통해 점점 더 많이 구축되고 있으나, 이러한 시스템은 종종 잘못된 또는 불완전한 트리플을 생성하여 다운스트림 성능을 저하시킨다. 기존의 평가 방식은 태스크별 메트릭이나 소규모 수동 검증에 크게 의존하여, 추출된 그래프의 구조적·의미적 충실도에 대한 통찰이 제한적이다. 우리는 자동 추출된 그래프가 소스 텍스트에 표현된 핵심 명사구, 술어 관계, 부정과 같은 기본적인 언어 현상을 포착하는 "이상적인" 그래프에 얼마나 근접하는지를 측정하는, 새로운 해석 가능한 내재적 KG 품질 평가 메트릭을 제안한다. 우리의 프레임워크는 두 가지 상호보완적인 구성 요소를 통합한다: (1) 완전성, 해소 품질, 연결성을 평가하는 엔티티 수준 평가, (2) 어휘 유사도, 의존 파싱 정렬, 경량 부정 처리를 활용하여 의미적 충실도를 보장하면서 술어 보존 및 다중성을 판단하는 관계 수준 평가. 우리는 WebNLG, TinyButMighty, BenchIE를 포함한 여러 최신 트리플 추출 시스템과 데이터셋에 걸쳐 메트릭을 평가하여, 기존 메트릭이 간과하는 누락, 중복, 구조적 편차를 신뢰성 있게 식별함을 입증한다. 본 연구는 자동화된 KG 구축 방법을 비교하기 위한 확장 가능하고 모델 비의존적이며 해석 가능한 프레임워크를 제공하며, 표준화된 평가의 토대를 마련한다. 또한 명사 및 동사 구성 요소를 분리하는 에블레이션 연구와, KGCQual 점수가 동일한 추출 KG에서의 링크 예측 성능과 유의미한 상관관계를 보임을 보여주는 다운스트림 평가를 통해 메트릭을 추가적으로 검증한다. 코드 저장소는 https://github.com/kracr/kg-quality-metric 에서 확인할 수 있다.
A Neural Named Entity Recognition and Multi-Type Normalization Tool for Biomedical Text Mining
하이브리드 RAG와 로컬 배포 대규모 언어 모델을 활용한 처리활동기록부(RoPA) 자동 추출
Automated Extraction of Records of Processing Activities (RoPA) Using Hybrid RAG and Locally Deployed Large Language Models
2026년 1월 1일부터 시행되는 베트남 개인정보 보호법(법률 제91/2025/QH15호)과 시행령 제356/2025/ND-CP호는 조직이 처리활동기록부(Records of Processing Activities, RoPA)를 작성하고 유지하도록 요구한다. RoPA를 수작업으로 작성하는 것은 많은 노동력이 필요하며, 클라우드에서 호스팅되는 대규모 언어 모델(LLM)은 데이터 주권 요건과 충돌할 수 있다. 본 논문은 tsvector 기반 어휘 순위화, 밀집 벡터(dense-vector) 검색, 상호 순위 융합(Reciprocal Rank Fusion, RRF), 그리고 로컬에 배포된 LLM을 결합한 하이브리드 검색을 사용하여 RoPA 정보를 자동으로 추출하는 시스템인 RoPA Manager를 제안한다. 또한 32개 조직, 77개 처리 활동, 12개 필드 그룹, 4,338개 참조 값으로 구성된 베트남어 RoPA 벤치마크를 소개한다. 평가는 세 가지 서로 다른 수준에서 보고한다. LLM을 호출하지 않고 교란된 데이터로 테스트한 자동 채점기는 F1 = 0.9493 [0.9436, 0.9548]을 달성했으며, 이는 종단 간 추출 정확도가 아니라 채점기의 견고성을 측정한 것이다. 종단 간 추출은 참조 레이블 대비 50.04-55.25%의 토큰 커버리지를 달성했다. 두 명의 독립적인 전문가가 1,558개의 참조 값(벤치마크의 35.9%)을 검토한 결과 잘못된 값은 발견되지 않았으며, 99.68%의 일치도와 PABAK = 0.9936을 기록했다. 값 수준의 정밀도는 측정하지 않았다. 24GB GPU에서 32개의 쌍체 시나리오에 걸쳐 평가한 결과, 로컬에 배포된 Qwen3.5-27B-GPTQ-Int4는 클라우드 기반 DeepSeek-V4-Flash와 통계적으로 유의한 차이를 보이지 않았으나(DeepSeek 쪽이 0.20 퍼센트 포인트 우세, 95% CI [-0.93, 1.32], p = 0.72), Gemma-4-31B는 유의하게 더 낮은 성능을 보였다(p < 0.01).
베트남 노동법 교차 언어 법률 QA: 검색, 번역, 검증기 기반 교정
Cross-Lingual Legal QA for Vietnamese Labour Law: Retrieval, Translation, and Verifier-Guided Correction
교차 언어 법률 질의응답은 근거 없는 법적 주장을 막으면서 여러 언어에 걸쳐 법령을 검색(retrieval)해야 한다. 본 연구는 베트남 노동법에서 수집한 231개의 베트남어-영어 질문-답변 쌍으로 구성된 이중언어 평가 스위트를 제안한다. 이 중 75개는 다섯 가지 어려운 법률 추론 현상에 대해 추가 주석이 달려 있다. 답을 주장(claim)으로 분해하고, 인용의 도달 가능성(reachability)과 함의(entailment)를 검사하며, 인용 실패와 모순을 교정하는 검증기(verifier) 기반 파이프라인을 평가한다. 또한 검색된 증거에 대한 충실성(faithfulness)을 위한 여섯 가지 자동 진단 지표를 제안하며, 인용, 양상(modality), 예외, 절차, 결론, 증거적 지지를 다룬다. 실험 결과, 학습 기반 sparse 검색(learned-sparse retrieval)은 영어→베트남어 검색에서 성능이 낮으며(R@5~=~0.032), dense 검색은 0.358에 도달해 hybrid 검색을 약간 능가한다. 통제 비교 및 민감도 분석에서 번역 배치(translation placement)는 이러한 자동 진단 지표에 통계적으로 검출 가능한 영향을 주지 않았다. 검증기 기반 교정은 시스템 수준에서 인용 보존을 $0.022$--$0.034$만큼 개선하지만, 나머지 차원에서는 신뢰할 만한 향상을 보이지 않는다. Human evaluation은 자동 진단 지표가 답변 품질에 대한 인간 판단과 완전히 일치하지 않음을 추가로 보여준다.
타당성 인식 생의학 AI를 위한 정량적 증거 마이닝: 서술적 리뷰 및 개념적 프레임워크
Quantitative Evidence Mining for Plausibility-Aware Biomedical AI: A Narrative Review and Conceptual Framework
생의학 인공지능은 문헌 검색에서 지식 그래프, 임상 의사결정 지원, 계산 모델을 위한 증거 종합(evidence synthesis)으로 나아가고 있다. 그러나 대부분의 정보 추출(information extraction) 시스템은 여전히 발견을 단순 관계로만 표현하여, 해석과 재사용에 필요한 정량적·맥락적 세부를 버린다. 한 개체가 다른 개체에 영향을 준다는 주장만으로는 크기(magnitude), 단위, 대상 집단, 비교군(comparator), 실험 조건, 불확실성, 출처(provenance)가 빠져 있으면 부족하다. 우리는 생의학적 발견을 구조화되고 맥락이 풍부하며 감사 가능한(auditable) 증거 단위(evidence unit)로 변환하는 프레임워크로서 정량적 증거 마이닝(quantitative evidence mining)을 정의한다. 증거 단위의 핵심 요소로 주장, 측정 대상 개체와 속성, 값·단위·척도, 비교군, 대상 집단, 생물학적·임상적 조건, 시간적 맥락, 불확실성, 출처, 검증 결과, 전문가 검토 상태를 둔다. 코퍼스 선정, 개체 인식, 수량 추출, 맥락 연결, 정규화, 증거 단위 조립, 다차원 타당성(plausibility) 평가, 내보내기 및 거버넌스에 이르는 8단계 참조 아키텍처를 제안한다. 핵심 원칙은 타당성을 단일 진리 레이블로 축약하지 않아야 한다는 것이다. 통계적, 생물학적, 방법론적, 맥락적, 출처 기반 지지는 명시적으로 남겨 두어야 한다. 이 프레임워크는 정보 추출을 증거 종합 및 계산적 재사용과 연결하며, 임상시험 분석, 바이오마커 연구, 약물 감시(pharmacovigilance), 지식 그래프 구축, 기전 모델링(mechanistic modelling)에 적용할 수 있다. 이는 검증된 end-to-end 시스템이라기보다 연구 의제(research agenda)이다. 진전을 위해서는 주석이 달린 멀티모달 벤치마크, 엄격한 구성 요소·워크플로 수준 평가, 전향적 시험, 투명한 출처, 지속적인 전문가 감독이 필요할 것이다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.