텍스트에서의 개체명 인식은 텍스트 상에 존재하는 주요 개체명들을 인식하여 특정 목적에 맞게 분류하는 작업으로서, 개체명 간 관계 추출 및 이벤트 추출의 시작점이 된다. 개체명 인식의 정확도는 어느 정도 성능을 달성했다고 할 수 있지만, 실제 방대한 문헌에서의 체감 성능을 높이는 과제는 여전히 남아 있다. 기계학습 기반의 개체명 인식의 정확도는 개체명 인식에 사용되는 기계학습 모델의 정확도에 많은 영향을 받으며, 기계학습 모델은 학습을 위한 데이터셋을 얼마나 정교하게 구축했느냐에 절대적으로 영향을 받는다. 본 연구에서는 기계학습 기반의 개체명 인식의 정확도 향상을 위해 기존 학습 집합 태깅에 있어서의 문제점을 분석하여 해결 방안을 제시한다. 또한 기존 의사결정 트리 모델을 단순화하여 모델 자체가 직관적이어서 개체명 인식 오류에 대해서 피드백하기 쉽다는 장점이 있고, 기존 의사결정 모델들에 비해 정확하고 명확한 개체명 인식을 할 수 있을 것으로 기대할 수 있다.
Named Entity Recognition is lo recognize meaningful named entities in texts and classify them into predefined classes. This job is the starting point for the relation extraction and the event extraction. Even though the accuracy of NER is high enough to stop researching for it, the results are mostly for researches with small amount of texts, not with real enormous texts. Thus, there are still many challenges to research. The accuracy of NER based on the machine learning is much affected by the accuracy of the learning model for the job. Likewise, the accuracy of the learning model depends considerably on the quality of training data. ln this paper, issues in annotation for training data are addressed and some guides for the issues are presented to improve the quality. ln addition, a NER model from modifying the idea of the decision tree is designed, which is expected to carry out NER with better accuracy and convenience to use and get feedback on the result of NER.
