Net : Korean Machine Reading Comprehension using SRU-based Sentence and Self Matching Networks

셋에서 기존의 S-Net보다 우수한 (dev) EM 70.08%, F1 81.78%, (test) EM 69.43%, F1 81.53%의 성능을 보였다. 1. 서 론 기계 독해를 이용한 질의 응답(Question Answering)은 페이스북 bAbi task의 CBT와 같이 주어진 문맥에서 빈칸을 채우는 cloze 스타일과 주 어진 문맥에서 정답이 포함된 문장을 찾는 WikiQA, 주어진 문맥에서 정답의 시작과 끝 경계를 찾는 스탠포드의 SQuAD등과 같은 문제들로 나뉘며, 좀더 복합적인 문제로 마이크로소프트의 MS-MARCO가 있다 [1, 2, 3, 4]. 위와 같은 문제를 해결하기 위해서는 기계가 주어진 문맥을 이해하고 문맥 내에서 정답을 찾아야 하는데, 이처럼 기계가 주어진 문 장을 이해하는 것을 기계 독해(Machine Reading Comprehension)라 한 다. 예를 들어, 기계 독해 시스템은 “국내 건조기 시장 점유율 1위 누구 야?”와 같은 질문에 대하여, 문맥 “2004년 건조기 시장에 ... 의류 건조 기 중 LG전자는 점유율 77.4%로 1위를 차지했다.”를 이해하고, 해당 문맥 내에서 정답 “LG전자”를 찾아 출력한다. 기계 독해 문제를 해결하기 위하여 S2-Net, DrQA, fastQA, RNet, Bi-Directional Flow (BiDAF) 등[5-9]과 같은 end-to-end 딥 러 닝 모델들이 연구되고 있으며, 이러한 모델들은 주어진 질문과 문 맥에 대하여 매칭과 인코딩을 수행하고, 질문과 문맥을 매칭하고, 어텐션 매커니즘(attention mechanism)[10]을 기반으로 한 포인터 네트워크(Pointer Networks)[11]로 질문과 유사한 정답의 경계 인 덱스(즉, 정답의 시작과 끝 위치)를 출력한다. 본 논문의 선행 연 구인 S2-Net은 한국어 기계 독해 데이터셋인 MindsMRC에서 질 의응답을 적용하였으며, 이때 주어진 하나의 문단은 여러 문장으