논문자료 요약
- 분야한국어
- 유형 텍스트
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.2 2023-11-01 라벨링데이터 재개방 1.1 2023-10-31 라벨링데이터 수정 1.0 2021-06-18 데이터 최초 개방 소개
요약문을 자동으로 생성하는 자료 요약 AI 기술 개발을 위한 논문 요약, 특허 명세서 요약 텍스트 데이터
구축목적
다양한 주제의 한국어 학술논문 및 특허명세서에서 전체 요약문과 섹션별요약문을 도출해낼 수 있도록 인공지능을 훈련하기 위한 데이터셋
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 텍스트 데이터 형식 데이터 출처 라벨링 유형 라벨링 형식 데이터 활용 서비스 데이터 구축년도/
데이터 구축량2020년/35만 -
구축 내용 및 제공 데이터량
- 학술논문 18만 건에서 전체(생성) 요약 18만 건, 섹션별 (생성)요약 18만 건, 특허명세서 전체 (생성)요약 17만 건, 섹션별 (생성) 요약 17만 건 등 총 70만 건의 요약문 도출
- (논문)인공지능 생성요약 알고리즘의 편향 방지를 위해 다양한 분야의 데이터를 구축대상으로 하여 구축하도록 하고, 각 데이터의 주제 분류, 논문저자, 날짜 등의 정보를 통해 골고루 구축되도록 구성함
- (특허)인공지능 생성요약(Abstractive Summarization) 모델 구축을 위한 데이터셋 구축 작업
- 특허명세서의 전체 요약문 및 섹션 요약문을 작성
- 각 데이터의 출원번호, 출원인, 등록번호 등의 정보를 통해 골고루 구축되도록 구성함
- 특허명세서 전체 원문 텍스트를 대상으로 요약문(300자 이내)을 작성하고 섹션요약은 특허명세서의 주요 섹션(발명의 방법, 발명의 원리 등)에 대한 섹션 요약을 실시
- 생성 요약문의 길이는 요약대상 원문의 10~30% 이내로 요약하고 원천 데이터의 내용을 압축적으로 표현되도록 구축
구축 내용 및 제공 데이터량 표 데이터 종류 가공 수량 비고 학술논문-전체요약 180,000건 한국학술지인용색인(KRI)에서 OA 논문 수집 학술논문-섹션요약 180,000건 특허명세서-전체요약 170,000건 특허정보원 키플리스에서 벌크데이터 구매 특허명세서-섹션요약 170,000건 -
-
AI 모델 상세 설명서 다운로드
AI 모델 다운로드 -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 요약문 유효성 평가 Text Summary Transformer 기반 PLM(encoder) + Transformer(decoder), Beam Search ROUGE-L 30 % 37.05 % 2 요약문 유효성 평가 Text Summary Transformer 기반 PLM(encoder) + Transformer(decoder), Beam Search ROUGE-1 30 % 48.9 % 3 요약문 유효성 평가 Text Summary Transformer 기반 PLM(encoder) + Transformer(decoder), Beam Search ROUGE-2 30 % 29.8 % 4 도서 생성요약 모델 유효성 Text Summary Transformer 기반 PLM(encoder) + Transformer(decoder) ROUGE-L 30 % 36.46 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2021.06.18 데이터 최초 개방 구축 목적
- 다양한 주제의 한국어 학술논문 및 특허명세서에서 전체 요약문과 섹션별요약문을 도출해낼 수 있도록 인공지능을 훈련하기 위한 데이터셋
활용 분야
- 논문 요약, 특허문서 요약 등 핵심내용을 신속하고 정확하게 파악할 수 있는 AI 요약기술 개발
주요 키워드
- 논문요약, 특허요약, 생성요약, 한국형 문서요약 데이터셋
소개
- 논문자료 요약 데이터는 OA논문과 특허명세서를 대상으로 구축함
- 학술논문은 저작권 문제가 원천적으로 해결된 Open Access 한국어 학술 논문을 수집하여 논문의 전체(초록)와 섹션(논문 원문 중 섹션 일부 Paragraph)에 해당하는 요약문을 작성, 활용서비스 데이터 제공
- 특허명세서의 전체 요약과 섹션(본문 중 섹션 일부 Paragraph)에 해당하는 요약문을 작성, 활용서비스 데이터 제공
구축 내용 및 제공 데이터량
- 학술논문 18만 건에서 전체(생성) 요약 18만 건, 섹션별 (생성)요약 18만 건, 특허명세서 전체 (생성)요약 17만 건, 섹션별 (생성) 요약 17만 건 등 총 70만 건의 요약문 도출
- (논문)인공지능 생성요약 알고리즘의 편향 방지를 위해 다양한 분야의 데이터를 구축대상으로 하여 구축하도록 하고, 각 데이터의 주제 분류, 논문저자, 날짜 등의 정보를 통해 골고루 구축되도록 구성함
- (특허)인공지능 생성요약(Abstractive Summarization) 모델 구축을 위한 데이터셋 구축 작업
- 특허명세서의 전체 요약문 및 섹션 요약문을 작성
- 각 데이터의 출원번호, 출원인, 등록번호 등의 정보를 통해 골고루 구축되도록 구성함
- 특허명세서 전체 원문 텍스트를 대상으로 요약문(300자 이내)을 작성하고 섹션요약은 특허명세서의 주요 섹션(발명의 방법, 발명의 원리 등)에 대한 섹션 요약을 실시
- 생성 요약문의 길이는 요약대상 원문의 10~30% 이내로 요약하고 원천 데이터의 내용을 압축적으로 표현되도록 구축
구축 내용 및 제공 데이터량 표 데이터 종류 가공 수량 비고 학술논문-전체요약 180,000건 한국학술지인용색인(KRI)에서 OA 논문 수집 학술논문-섹션요약 180,000건 특허명세서-전체요약 170,000건 특허정보원 키플리스에서 벌크데이터 구매 특허명세서-섹션요약 170,000건 대표도면
필요성
- 국내 AI 요약기술 개발과 관련된 다수의 연구들에서는 해당 텍스트의 제목을 본문의 요약문으로 가정하거나 학술논문, 특허 등의 제목 혹은 첫 문장 등을 요약문으로 가정하여 AI 요약기술을 위한 학습 데이터로 활용 중
- 이러한 조작적 정의는 본문 전체의 핵심 내용이나 의무 전달을 온전히 포함하지 못하는 한계점을 내포
- 선진국에서는 AI 요약기술 개발을 위한 다양한 문서요약 텍스트 데이터를 공개하고 있음
- 이에 한국어를 이해하고 지식을 추출하여 새로운 가치를 창출할 수 있는 문서요약 AI 기술개발을 위하여 검증된 학습용 데이터를 구축하고자 함
데이터 구조
- 데이터 구성
- OA 논문
- 특허명세서
- 어노테이션 포맷
어노테이션 포맷 구분 요소명 유형 길이 필수여부 한글명 영문명 메타 데이터 아이디 doc_id string Y 논문/특허명 title string Y 발행/등록일자 date string Y 파일명 reg_no string N 한국연구재단/특허분류정보 ipc(class) string Y 발행기관 issued_by string Y 저자 author string Y 전체요약 및 섹션요약 전체요약 구분 summary_entire string Y 전체 원문(초록) orginal_text string Y 전체 요약문 summary_text string Y 섹션요약 구분 summary_section string Y 섹션 단락 orginal_text string Y 섹션 요약문 summary_text string Y -
데이터셋 구축 담당자
수행기관(주관) : 바이브컴퍼니
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 이기황 02-565-0531 [email protected] 수행기관(참여)
수행기관(참여) 기관명 담당업무 나라지식정보 · 원문 데이터 확보 및 제공
· 데이터 정제
· 생성 요약문 작성(크라우드소싱 활용)
· 온라인 작업 도구 제공(이지메타)포티투마루 · AI 요약모델 및 활용 서비스 개발 경북대학교 산학협력단 · 품질검수 품질평가 서비스 단아코퍼레이션 · 원문 데이터 확보 및 제공
· 데이터 정제
· 생성 요약문 작성(크라우드소싱 활용)
· 결과물 검수 및 검증연세대학교 산학협력단 · 품질검수 품질평가 서비스 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 정규상(나라지식정보) 02-3141-7644 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.