Detail View

목차
서문 = 7
1. 서론 : 자연어의 생성단위란 무엇인가? = 11
 1. 언어에 대한 확률론적 접급방식 = 13
 2. 확률문법과 생성단위 크기의 문제 = 14
 3. 데이터 중심의 파싱 : 예제에 의한 생성 = 16
 4. 언어이해와 언어생성 = 19
 5. DOP 모델의 평가 = 20
 6. 책의 내용구성 = 22
2. 구구조 표시를 위한 경험기반 모델 = 25
 1. 표시 = 25
 2. 부분구조 = 26
 3. 합성 연산 = 28
 4. 확률값 계산 = 30
3. 형식 확률언어이론 = 39
 1. 확률문법의 형식언어이론 = 39
 2. 수형도 - 대치 확률문법으로서의 DOP1 = 42
 3. 수형도 - 대치 확률문법과 문맥자유확률문법의 비교 = 44
 4. 다른 확률문법들 = 51
  4.1 역사기반의 확률문법 = 51
  4.2 수형도 - 부가 어휘확률문법 = 55
  4.3 다른 어휘확률문법들 = 56
 5. 미해결의 문제들 = 58
4. 파싱과 중의성해소 = 59
 1. 파싱 = 59
 2. 중의성해소 = 62
  2.1 Viterbi 최적화는 가장 높은 확률값을 찾는데 적용할 수 없다 = 63
  2.2 Monte Carlo 중의성해소 : 무작위 도출 샘플링에 의한 가장 높은 확률값의 분석을 예측하기 = 65
  2.3 Monte Carlo 중의성해소의 인지과학적 측면 = 70
5. 모델의 검증 : 생성단위는 제한될 수 있는가? = 73
 1. 테스트 환경 = 73
 2. 기준선 = 75
 3. 중첩 부분구조의 영향 = 76
 4. 부분구조 크기의 영향 = 77
 5. 부분구조 어휘화의 영향 = 78
 6. 부분구조 빈도의 영향 = 80
 7. 비-머리어의 영향 = 82
 8. 도출속성의 개관 및 논의 = 88
6. 신출어의 학습 = 95
 1. DOP2 모델 = 96
 2. DOP2의 실험 = 97
 3. 평가 : 무엇이 잘못되었는가? = 98
 4. 미등록 - 범주어의 문제 = 106
7. 새로운 구조의 학습 = 109
 1. 미등록 구조의 문제 = 110
 2. Good-Turing : (미)출현 형태의 집단 확률값 예측 = 112
 3. 부분수형도의 빈도를 조정하기 위한 Good-Turing 방법의 사용 = 114
 4. DOP3 모델 = 117
 5. DOP3의 인지적 측면 = 118
 6. DOP3의 실험결과 = 120
8. 합성의미표시를 위한 경험기반의 모델 = 125
 1. 의미해석의 통합 = 125
  1.1 표면합성성의 가정 = 126
  1.2 표면합성성을 가정하지 않음 : 부분주석 = 135
  1.3 DOP의 의미확률모델 = 139
 2. 담화의 최신성을 다루기 위한 DOP의 확장 = 140
9. 음성이해 및 대화처리 = 145
 1. OVIS 코퍼스 : 합성 프레임의미로 확장된 수형도 = 146
 2. 데이터 중심의 의미분석을 위한 OVIS 코퍼스의 사용 = 150
 3. DOP를 대화맥락으로 확장하기 : 문맥 의존적 부분코퍼스 = 152
 4. DOP와 음성의 결합 = 154
 5. 실험결과 = 157
10. 비문맥자유 표시를 위한 경험기반 모델 = 163
 1. 어휘-기능 표시를 위한 DOP 모델 = 164
  1.1 표시체계 = 164
  1.2 부분구조 = 165
  1.3 합성연산 = 170
  1.4 확률모델들 = 174
 2. LFG-DOP의 예시와 속성 = 178
결론 : 언어학을 재고함 = 185
참고문헌 = 187
찾아보기 = 203