한국어 지식기반 관계 데이터
- 분야한국어
- 유형 텍스트
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2024-03-12 데이터 최종 개방 1.0 2023-07-31 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-04-17 산출물 전체 공개 소개
문장 내 등장하는 개체(Named Entity) 사이의 관계(Relation) 및 그 속성을 라벨링하여, 문맥 속에서 개체 간 관계 등 다양한 분야의 의미 기반 관계 분석이 가능한 인공지능 학습용 데이터셋을 구축함
구축목적
관계 추출에서 엔티티 간의 관계를 올바르게 이해하는지 평가할 수 있는 BERT-Ko-RE, KLUE-RE와 같은 유사한 데이터를 구축하며, 더 넓은 범위의 데이터를 구축하고자 함
-
메타데이터 구조표 데이터 영역 한국어 데이터 유형 텍스트 데이터 형식 TXT 데이터 출처 뉴스, 위키, 특허, 논문 라벨링 유형 말뭉치 작성(Triple 셋트 작성) 라벨링 형식 JSON 데이터 활용 서비스 챗봇서비스, 유사도검색서비스 등 데이터 구축년도/
데이터 구축량2022년/1,500,000건 -
■ 데이터 통계
○ 관계 용어별 통계데이터 통계 - 관계 용어별 통계 relation COUNT 비율 against 330 0.02% hasAttribute 224,803 14.99% inFavorOf 27,991 1.87% isA 225,577 15.04% isAgainst 3,345 0.22% isCausedBy 133,874 8.92% isChildOf 6,532 0.44% isColleagueOf 28,126 1.88% isMemberOf 115,581 7.71% isOpponentOf 13,277 0.89% isParentOf 6,782 0.45% isPartOf 225,500 15.03% isPlaceOf 49,253 3.28% isRelativeOf 4,018 0.27% isSiblingOf 5,059 0.34% isSpouseOf 8,125 0.54% isTimeOf 60,324 4.02% isToBe 98,292 6.55% isUsedFor 113,211 7.55% no-Relation 150,000 10.00% 계 1,500,000 100.00% ○ 분야별 통계
데이터 통계 - 분야별 통계 일반 뉴스 위키 IT_과학 29,417 105,151 경제 21,582 60,741 국제 26,505 48,922 문화 11,964 169,891 스포츠 16,207 40,964 연예 29,881 92,041 정치 44,358 65,662 지역_사회 28,826 180,469 일반 소계 208,740 763,841 일반 총계 972581 전문 논문 특허 기계공학 5,102 52,263 사회과학 16,310 - 의약학 20,556 203,834 인문학 17,126 - 전기전자 7,985 204,243 전문 소계 67,079 460,340 전문 총계 527419 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드■ 활용 모델
○ 학습 모델활용 모델 - 학습 모델 모델명 방식 관련 링크 RoBERTa 학습 및 테스트 https://klue-benchmark.com/ ○ 학습 조건
활용 모델 - 학습 조건 분류 비율 학습 데이터 80% 검증 데이터 10% 테스트 데이터 10% ○ 학습 환경
활용 모델 - 학습 환경(하드웨어) 분류 모델명 갯수 하드웨어 CPU Intel Xeon Processor (Skylake, IBRS) 1 GPU Tesla V100 1 RAM 32GB 6 활용 모델 - 학습 환경(소프트웨어) 분 류 버 전 소프트웨어 운영체제 Ubuntu 16.04.6 LTS CUDA 10.1 ○ 학습모델 검증 및 평가 방법
활용 모델 - 학습모델 검증 및 평가 방법 모델 방식 성능지표 설명 RoBERTa 학습 및 테스트 Micro-F1-Score 학습 데이터, 검증 데이터, 테스트 데이터를 8:1:1로 랜덤 샘플링하여 데이터를 나누고, 학습시 검증 데이터를 활용하여 제일 좋은 모델을 선별한 다음 최종적으로 테스트 데이터로 Micro-F1-Score를 산출한다. -
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 관계 추출 정확성 Estimation klue/roberta-large F1-Score 0.65 점 0.802 점
※ 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 다운로드■ 데이터 설명
○ 원천데이터
- 위키와 뉴스 데이터의 일반분야와, 논문, 특허의 전문분야로 구분하여 일반분야 100만건, 전문분야 50만건 구축.
- 원천데이터를 수집한 후 작업자가 작업이 가능한 형태로 문장을 분리하고, 특수문자 등 불필요한 요소들을 제거하여 Triple Set 구성이 가능한 형태로 원천데이터 작성.
○ 데이터 구축
- 작업자는 제시된 원천데이터로부터 Triple Set 구성이 가능한 문장을 선택
- 해당 문장에서 subj_word, obj_word, 및 각 엔티티의 속성(subj_prop, obj_prop)를 선택
- 각 엔티티의 속성에 맞는 관계(relation)을 라벨링■ 데이터 구성
데이터 구성 항목 설정 타입 유효값 null 설명 id integer n 트리플 고유번호 doc_type string "위키", "논문", n 원천데이터 문서 유형[wiki, patent, article, news] "특허", "뉴스" doc_id string n 원천데이터 문서 관리번호 title string n 문서 제목 date string n 문서 공개일[특허: 출원일, 논문: 출판일, wiki: 등록일, news: 공개일] publisher string n 특허: 특허청, Wiki: wiki, 논문: 학회명, 뉴스: 언론사명 reg_no string y 특허: 등록번호, Wiki: wiki문서 ID (특허청 작성 기준에 따름) ipc string y 국제특허분류(특허청 작성 기준에 따름) field string "IT_과학", "경제", "국제", "문화", "스포츠", "연예", "정치", "지역_사회", "인문학", "사회과학", "기계공학", "의약학", "전기전자" n 문서의 분야 subfield string y 문서 분야 중분류(필수아님, 특허, 논문의 경우 중분류 가능) sentence string n 작업 대상인 1문장 subj_start integer n Subject 개체의 시작점 subj_end integer n Subject 개체의 종료점 obj_start integer n Object 개체의 시작점 obj_end integer n Object 개체의 종료점 subj_word string n Subject 개체 subj_prop string "PS", "OG", "AF", "CV", "EV", "LC", "AM", "PT", "DT", "MT", "TM" n Subject 개체 속성 obj_word string n Object 개체 obj_prop string "PS", "OG", "AF", "CV", "EV", "LC", "AM", "PT", "DT", "MT", "TM" n Object 개체 속성 relation string "isA", "isPartOf", "isMemberOf", "isCausedBy", "hasAttribute", n Subject, Object 관계 "isParentOf", "isChildOf", "isSiblingOf", "isSpouseOf", "isRelativeOf", "isColleagueOf", "isOpponentOf", "noRelation", "isUsedFor", "inFavorOf", "against", "isPlaceOf", "isTimeOf", "isToBe", ■ 어노테이션 포멧
어노테이션 포멧 구분 속성명 타입 필수 설명 1 id integer y 트리플 고유번호 2 doc_type string y 원천데이터 문서 유형[위키, 특허, 논문, 뉴스] 3 doc_id string y 원천데이터 문서 번호 4 title string y 문서 제목 5 date string y 문서 공개일[특허: 출원일, 논문: 출판일, wiki: 등록일, news: 공개일] 6 publisher string y 특허: 특허청, Wiki: wiki, 논문: 학회명, 뉴스: 언론사명 7 reg_no string y 특허: 등록번호, Wiki: wiki문서 ID 8 ipc string y 국제특허분류 9 field string y 문서의 분야 10 subfield string y 문서 분야 중분류(필수아님) 11 sentence string y 작업 대상인 1문장 12 subj_start integer y Subject 개체의 시작점 13 subj_end integer y Subject 개체의 종료점 14 obj_start integer y Object 개체의 시작점 15 obj_end integer y Object 개체의 종료점 16 subj_word string y Subject 개체 17 subj_prop string y Subject 개체 속성 18 obj_word string y Object 개체 19 obj_prop string y Object 개체 속성 20 relation string y Subject, Object 관계 ■ 실제 예시
-
데이터셋 구축 담당자
수행기관(주관) : ㈜비네아
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 윤철웅 042-716-0095 yuncw@vinea.co.kr 사업관리, 라벨링 데이터 구축 수행기관(참여)
수행기관(참여) 기관명 담당업무 이지메타(주) 원시데이터 수집 및 정제, 라벨링 데이터 구축 ㈜무하유 유효성 검증 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 윤철웅 042-716-0095 yuncw@vinea.co.kr
-
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 safezone1@aihub.kr 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.