02. 텍스트 전처리(Text preprocessing) - 03) 어간 추출(Stemming) and 표제어 추출(Lemmatization)

https://wikidocs.net/21707 ​를 기반으로 작성되었습니다. 문제시 삭제하도록 하겠습니다.

코드들은 위의 홈페이지에서 기본적인 라이브러리를 설치되어 있다는 가정하게 진행됩니다.

 

정규화 기법 중 코퍼스에 있는 단어 개수를 줄일 수 있는 기법인표제어 추출(lemmatization)과 어간 추출(stemming)의 개념에 대해 알아본다.

 

이 두 작업이 갖고 있는 의미는 한 단어로 일반화시켜서 문서 내의 단어 수를 줄이겠다는 것이다.

 

이러한 방법들은 단어의 빈도수를 기반으로 문제를 풀고자 하는 뒤에서 학습하게 될 BoW(Bag of Words) 표현을 사용하는 자연어 처리 문제에서 주로 사용된다.

자연어 처리에서 전처리, 더 정확히는 정규화의 지향점은 언제나 갖고 있는 코퍼스로부터 복잡성을 줄이는 일이다.

 

1. 표제어 추출(Lemmatization)

표제어(Lemma)는 한글로는 '표제어' 또는 '기본 사전형 단어' 정도의 의미를 갖는다.

표제어 추출은 단어들로부터 표제어를 찾아가는 과정이다. 표제어 추출은 단어들이 다른 형태를 가지더라도, 그 뿌리 단어를 찾아가서 단어의 개수를 줄일 수 있는지 판단한다.

ex) am, are, is는 서로 다른 스펠링이지만 그 뿌리 단어는 be라고 볼 수 있다. 이때, 이 단어들의 표제어는 be 이다.

 

표제어 추출을 하는 가장 섬세한 방법은 단어의 현태학정 파싱을 먼저 진행하는 것이다. 형태소란 '의미를 가진 가장 작은 단위'를 뜻한다. 그리고 형태학(morphology)이란 형태소로부터 단어들을 만들어 가는 학문을 뜻한다. 형태소의 종류로 어간(stem)과 접사(affix)가 존재한다.

 

1) 어간(stem) : 단어의 의미를 담고 있는 단어의 핵심 부분.

 

2) 접사(affix) : 단어에 추가적인 의미를 주는 부분.

 

형태학적 파싱은 이 두 가지 구성 요소를 분리하는 작업을 말한다. ex) cats -> cat(어간) -s(접사)

꼭 두 가지로 분리되지 않는 경우도 있다. fox는 형태학적 파싱을 한다고 하더라도 더 이상 분리할 수 없다. fox는 독립적인 형태소이기 때문이기 때문이다. cat 도 그렇다

 

NLTK에서는 표제어 추출을 위한 도구인 WordNetlemmatizer를 지원한다.

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

words = ['policy', 'doing', 'organization', 'have', 'going', 'love', 'lives', 'fly', 'dies', 'watched', 'has', 'starting']

print('표제어 추출 전 :',words)
print('표제어 추출 후 :',[lemmatizer.lemmatize(word) for word in words])

표제어 추출은 뒤에서 언급할 어간 추출과는 달리 단어의 형태가 적절히 보존되는 양상을 보이는 특징이 있다. 하지만 그럼에도 위의 결과에서는 dy나 ha와 같이 의미를 알 수 없는 적절하지 못한 단어를 출력하고 있다. 이는 표제가 추출기(lemmatizer)가 본래 단어의 품사 정보를 알아야만 정확한 결과를 얻을 수 있기 때문이다.

 

WordNetLemmatizer는 입력으로 단어가 동사 품사라는 사실을 알려줄 수 있다.

즉, dies와 watched, has가 문장에서 동사로 쓰였다는 것을 알려준다면 표제어 추출기는 품사의 정보를 보존하면서 정확한 Lemma를 출력하게 된다.

lemmatizer.lemmatize('dies', 'v')

lemmatizer.lemmatize('watched', 'v')

lemmatizer.lemmatize('has', 'v')

표제어 추출은 문맥을 고려하며 수행했을 때의 결과는 해당 단어의 품사 정보를 보존한다.

하지만 어간 추출을 수행한 결과는 품사 정보가 보존되지 않습니다. 더 정확히는 어간 추출을 한 결과는 사전에 존재하지 않는 단어일 경우가 많다.

2. 어간 추출(Stemming)

어간(Stem)을 추출하는 작업을 어간 추출(stemming)이라고 한다.

어간 추출은 형태학적 분석을 단순화한 버전이라고 볼 수도 있고, 정해진 규칙만 보고 단어의 어미를 자르는 어림짐작의 작업이라고 볼 수 도 있다.

이 작업은 섬세한 작업이 아니기 때문에 어간 추출 후에 나오는 결과 단어는 사전에 존재하지 않는 단어일 수도 있다.

어간 추출알고리즘 중 하나의 포터 알고리즘(Porter Algorithm)에 아래의 문자열을 입력으로 넣는다고 해보자.

from nltk.stem import PorterStemmer
from nltk.tokenize import word_tokenize

stemmer = PorterStemmer()

sentence = "This was not the map we found in Billy Bones's chest, but an accurate copy, complete in all things--names and heights and soundings--with the single exception of the red crosses and the written notes."
tokenized_sentence = word_tokenize(sentence)

print('어간 추출 전 :', tokenized_sentence)
print('어간 추출 후 :',[stemmer.stem(word) for word in tokenized_sentence])

규칙 기반의 접근을 하고 있으므로 어간 추출 후의 결과에는 사전에 없는 단어들도 포함되어 있다. 가령 포터 알고리즘의 어간 추출은 이러한 규칙들을 가진다.

ALIZEE -> AL

ANCE -> 제거

ICAL -> IC

 

위의 규칙에 따르면 좌측의 단어는 우측의 단어와 같은 결과를 얻게된다.

formalize -> formal

allowance -> allow

electrical -> electric

 

words = ['formalize', 'allowance', 'electricical']

print('어간 추출 전 :',words)
print('어간 추출 후 :',[stemmer.stem(word) for word in words])

※Porter 알고리즘의 상세 규칙은 마틴 포터의 홈페이지에서 확인할 수 있다고 한다.

어간 추출 속도는 표제어 추출보다 일반적으로 빠른데, 포터 어간 추출기는 정밀하게 설계되어 정확도가 높으므로 영어 자연어 처리에서 어간 추출을 하고자 한다면 가장 준수한 선택

 

NLTK에서는 포터 알고리즘 외에도 랭커스터 스태머(Lancaster Stemmer)알고리즘을 지원한다.

이번에는 포터 알고리즘과 랭커스터 스태머 알고리즘으로 각각 어간 추출을 진행했을 때, 이 둘의 결과를 비교해본다.

from nltk.stem import PorterStemmer
from nltk.stem import LancasterStemmer

porter_stemmer = PorterStemmer()
lancaster_stemmer = LancasterStemmer()

words = ['policy', 'doing', 'organization', 'have', 'going', 'love', 'lives', 'fly', 'dies', 'watched', 'has', 'starting']
print('어간 추출 전 :', words)
print('포터 스테머의 어간 추출 후:',[porter_stemmer.stem(w) for w in words])
print('랭커스터 스테머의 어간 추출 후:',[lancaster_stemmer.stem(w) for w in words])

동일한 단어들의 나열에 대해서 두 스태머는 전혀 다른 결과를 보여준다. 두 스태머 알고리즘은 서로 다른 알고리즘을 사용하기 때문이다. 그렇기 때문에 이미 알려진 알고리즘을 사용할 때는, 사용하고자 하는 코퍼스에 스태머를 적용해보고 어떤 스태머가 해당 코퍼스에 적합한지를 판단한 후에 사용하여야 한다. => 써보고 좋은걸 쓰자

규칙에 기반한 알고리즘은 종종 제대로 된 일반화를 수행하지 못 할 수 있다.

어간 추출을  하고나서 일반화가 지나치게 되거나, 또는 덜 되거나 하는 경우이다.

ex) organization -> organ , organ -> organ

 

다음은 표제어 추출(Stemming) 과 어간 추출(Lemmatization)의 차이이다.

Stemming

am -> am

the going -> the go

having -> hav

 

Lemmatization

am -> be

the going -> the going

having -> have

3. 한국어에서의 어간 추출(Stemming)

한국어는 아래의 표와 같이 5언 9품사의 구조를 가지고 있다.

이 중 용언에 해당되는 '동사'와 '형용사'는 어간(stem)과 어미(ending)의 결합으로 구성된다.

앞으로 용언이라고 언급하는 부분은 전부 동사와 형용사를 포함하여 언급하는 개념이다.

 

(1) 활용(conjugation)

용어의 어간(stem)이 어미(ending)를 가지는 일을 말한다.

• 어간(stem) 
  • 용언(동사, 형용사)을 활용할 때, 원칙적으로 모양이 변하지 않는 부분. 활용에서 어미에 선행하는 부분.
  • 어간의 모양도 바뀔 수 있음(예: 긋다, 긋고, 그어서, 그어라).
• 어미(ending)
  • 용언의 어간 뒤에 붙어서 활용하면서 변하는 부분이며, 여러 문법적 기능을 수행

(2) 규칙 활용

어간이 어미를 취할 떄, 어간의 모습이 일정하다.

ex) 잡/어간 + 다/어미

이 경우 어간이 어미가 붙기전, 후의 모습과 같으므로, 규칙 기반으로 어미를 단순히 분리해주면 어간 추출이 됨.

 

(3) 불규칙 활용

어간이 어미를 취할 때 어간의 모습이 바뀌거나 취하는 어미가 특수한 어미일 경우를 말한다.

예를 들어 ‘듣-, 돕-, 곱-, 잇-, 오르-, 노랗-’ 등이 ‘듣/들-, 돕/도우-, 곱/고우-, 잇/이-, 올/올-, 노랗/노라-’와 같이 어간의 형식이 달라지는 일이 있거나 ‘오르+ 아/어→올라, 하+아/어→하여, 이르+아/어→이르러, 푸르+아/어→푸르러’와 같이 일반적인 어미가 아닌 특수한 어미를 취하는 경우 불규칙활용을 하는 예에 속함.

 

 

후기

Porter 알고리즘, 랭커스터 스태머 알고리즘 등 전처리 하는 많은 알고리즘이 있다는 것을 알게되었다. 추후 따로 알고리즘만 정리하고자 한다.