RE 데이터 제작(러시아-우크라이나 전쟁) - NLP 9조(MnM)

네이버 부스트캠프 AI Tech 3기 P-Stage(Level 2) NLP 데이터제작을 위해 작성된 문서입니다. 해당 Competition에서는 실제 위키피디아 원시 말뭉치를 활용하여 직접 RE Task에 쓰이는 주석 코퍼스를 만들며, 한국어 및 다른 언어에서의 자연어처리 데이터셋의 유형 및 포맷이 어떠한지, 그리고 데이터셋을 구축하는 일반적인 프로세스가 무엇인지 학습합니다.

Table of Contents

1. MnM Team Introduction
2. Project Dataset
3. Tagging using tagtog
4. Data Validation
5. License

---

1. MnM Team Introduction

Wrap-up Report

<<<Click Logo

마스터 클래스 섬세킹 발표자료

<<<Click Logo

Members

김태일	문찬국	이재학	하성진	한나연
detailTales	nonegom	wogkr810	maxha97	HanNayeoniee
gimty97@gmail.com	fksl9959@naver.com	jaehahk810@naver.com	maxha97@naver.com	nayeon2.han@gmail.com

Members' Role

Member	Role
김태일	Tagtog 플랫폼에 문장 올리기
문찬국	Relation map 작성
이재학	가이드라인 작성
하성진	가이드라인 작성
한나연	IAA 계산, 모델 튜닝

---

2. Project Dataset

이번 프로젝트에서는 직접 관계 추출 태스크 데이터셋을 만들고, 만든 데이터셋을 모델에 적용하여 검증하는 것이 목표이다.

데이터 설명

2022 러시아의 침공으로 발발한 러시아-우크라이나 전쟁을 중심으로 러시아와 우크라이나의 역사와 외교적인 관계를 포함하는 데이터이다. 코퍼스의 개수는 총 35개의 텍스트(40개 중 5개는 데이터 누락) 약 2100문장이다. 데이터는 부스트캠프 측으로부터 러시아-우크라이나 전쟁 주제에서 도출된 키워드들을 위키피디아(CC BY-SA 3.0) 문서 제목을 기반으로 수집해 제공받았다.

데이터 선정 이유

프로젝트의 결과물인 관계추출 데이터를 통해 인사이트를 얻을 수 있는 주제를 선정하고자 했다. 또한 러시아-우크라이나 전쟁 데이터로 정치적 관계, 국제 정세 등의 정보를 담는 지식 그래프로 확장될 수 있을 것이라고 생각하였다. 또한, 현 학습데이터 기반 관계추출 모델은 시시각각 업데이트되는 관련 주제에 대한 정보에서 관계추출을 통해 지식그래프를 확장하고 지속적으로 인사이트를 도출할 수 있을 것이라 생각했다.

Relation Map

<<<Click Logo

Guideline

<<<Click Logo

---

3. Tagging Using tagtog

• data upload: sample_txts의 텍스트 파일들의 텍스트를 한줄씩 tagtog에 업로드

cd tagtog_data_handler
python data_upload.py

• data to csv: tagtog에서 다운로드한 annotation data를 각 폴더별로 csv로 변환

cd tagtog_data_handler
python data_to_csv.py

• merge csvs: 폴더 별 csv 파일들을 하나로 합쳐서 파일럿 태깅 데이터 셋과 전체 데이터 셋 반환

cd tagtog_data_handler
python merge_csvs.py

---

4. Data Validation

Fleiss' Kappa

pilot tagging에서 calculate_iaa.py파일을 사용해 Fleiss' Kappa를 계산한다.

file	# raters	# categories	# subjects	PA	PE	Fleiss' Kappa
pilot_tagging1.xlsx	5	10	100	0.7570	0.1546	0.713
pilot_tagging2.xlsx	5	10	100	0.8059	0.2243	0.75

Model Tuning

1. ‘러시아-우크라이나 전쟁' 데이터셋에 맞게 새로 정의한 10개의 관계에 따라 make_pkl.py파일을 사용해 pkl파일을 생성한다.
2. split_dataset.py을 사용해 전체 1770개의 데이터를 9:1 비율로 클래스별 분포가 유지하며 train data와 test data로 나눈다. 이후 모델 학습에서 train data를 다시 9:1 비율로 나누어 각각 train, validation에 사용했다.

3. roberta-large 모델, Focal loss를 사용해 학습을 진행했다. 자세한 파라미터는 config에, 실험 결과는 wandb에 나타나 있다.

dataset	micro-f1 score	auprc
valid	87.097	89.213
test	88.152	-

---

5. License

러시아-우크라이나 전쟁 데이터셋은 CC BY-SA 3.0 라이선스 하에 공개되어 있습니다.