• 다양한 주제의 한국어 원문으로부터 추출요약문과 생성요약문을 도출해낼 수 있도록 인공지능을 훈련하기 위한 데이터셋

• 뉴스기사 요약, 법률분서 요약, 사업보고서 요약 등 핵심내용을 신속하고 정확하게 파악할 수 있는 AI 요약기술 개발

• 문서요약, 추출요약, 생성요약, 한국형 문서요약 데이터셋

• 다양한 한국어 원문 데이터로부터 정제된 추출 및 생성 요약문을 도출하고 검증한 한국어 문서요약 AI 데이터셋으로, 기존 영문 문서요약 데이터셋과는 다른 원문 데이터의 다양성을 추구하며, 요약문 재사용에 제한이 없도록 저작권 문제를 완전히 해결한 원천 데이터를 확보

• 원문데이터 40만 건 (신문기사 30만 건, 기고문 3만 건, 잡지기사 1만 건, 논문 초록 3만 건, 법원 판결문 3만 건)을 활용하여 각각 추출요약 40만 건, 생성요약 40만 건, 총 80만 건의 요약문 도출
• 원문으로부터 변형 없이 그대로 선택된 3개 문장으로 추출요약문 생성
• 원문의 내용을 바탕으로 재작성된 생성요약문 생성

  구축 내용 및 제공 데이터량 표

  데이터 종류	데이터 형태	목표 수량
  신문기사	뉴스 텍스트	원문데이터 30만 건 / 요약문 60만 건
  기고문	오피니언 텍스트	원문데이터 3만건 / 요약문 6만 건
  잡지	웹진 기사 텍스트	원문데이터 1만 건 / 요약문 2만 건
  법률	법원 판결문 뉴스 텍스트 및 법원 주요 판결문 텍스트	원문데이터 3만 건 / 요약문 6만 건
  논문	논문요약 (abstract) 텍스트	원문데이터 3만 건 / 요약문 6만 건
  총계		원문데이터 40만 건 / 요약문 80만 건

• 국내 AI 요약기술 개발과 관련된 다수의 연구들에서는 해당 텍스트의 제목을 본문의 요약문으로 가정하거나 뉴스 기사의 제목 혹은 첫 문장을 전체 기사의 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 구성

  데이터 구성 (Key, Description, Type, Child Type)

  Key	Description	Type	Child Type
  name	파일명	String
  delivery_date	생성시간 yyyy-MM-dd hh:mm:ss	String
  documents	문서 배열	JsonArray	JsonObject
  [	문서	JsonObject
  id	문서 아이디	String
  category	카테고리	String
  media_type	미디어 유형 (ex: online)	String
  media_sub_type	미디어 유형 (ex: 중앙지)	String
  media_name	미디어 명 (ex: 국민일보)	String
  size	길이 (ex: small)	String
  char_count	본문길이	String
  publish_date	게시시간 yyyy-MM-dd hh:mm:ss	String
  title	제목	String
  text	본문(문단/문장)	JsonArray	JsonArray
  [	문단	JsonArray	JsonObject
  [	문장
  index	순번	String
  sentence	문장	String
  highlight_indices	불용어 위치 정보	String
  ]
  ]
  ]

   

• 어노테이션 포맷

  어노테이션 포맷 (항목, 길이, 타입, 필수여부)

  No		항목		길이	타입	필수여부
  		한글명	영문명
  1		데이터셋 정보			JsonObject	Y
  	1-1	데이터셋 명	name		String	Y
  	1-2	데이터셋 전달일자ㅇ	delivery_date		String	Y
  2		문서 정보			JsonObject	Y
  	2-1	문서 번호	id		String	Y
  	2-2	카테고리	category		String	Y
  	2-3	매체 유형	media_type		String	Y
  	2-4	매체 구분	media_sub_type		String	Y
  	2-5	미디어 명	media_name		String	Y
  	2-6	본문길이	size		String	Y
  	2-7	본문글자수	char_count		String	Y
  	2-8	발행일시	publish_date		String	Y
  	2-9	제목	title		String	Y
  3		본문(문단/문장) 정보	text		Array	Y
  	3-1	문단	[		Array	Y
  	3-2	문장	{		JsonObject	Y
  	3-3	순번	index		Integer	Y
  	3-4	문장	sentence		String	Y
  	3-5	불용어 위치 정보	highlight_indices		String	Y
  			}
  			]
  4		원문 평가 정보			JsonObject	Y
  	4-1	가독성	readable		Integer	Y
  	4-2	정확성	accurate		Integer	Y
  	4-3	정보성	informative		Integer	Y
  	4-4	신뢰성	trustworthy		Integer	Y
  5		추출요약문 정보	extractive		Array	Y
  6		생성요약문 정보	abstractive		Array	Y

수행기관(주관) : 비플라이소프트

수행기관(참여)