신경망 기반 텍스트 요약 방법 조사

초록

본 논문은 최근 신경망 기반 자동 요약 모델을 체계적으로 정리한다. 추출형과 생성형을 각각 다섯 개씩 선정해 구조, 학습 방식, 핵심 기법을 비교하고, 전통적 평가 지표와 한계, 향후 연구 방향을 제시한다.

상세 분석

이 리뷰는 신경망 기반 요약 연구의 흐름을 크게 세 단계로 나눈다. 첫 번째는 입력‑목적‑출력의 3요인 분류 체계로, 단일·다중 문서, 정보성·지시성, 추출·생성 등 전통적 요약 분류를 재정의한다. 두 번째는 평가 방법론을 심층 고찰한다. ROUGE 시리즈가 자동화된 핵심 지표로 널리 쓰이지만, 인간 골드 요약의 주관성 및 스킵‑바이그램의 과다 매칭 문제를 지적한다. 피라미드 방식은 의미 단위(SCU) 기반으로 보다 신뢰성을 높이지만 비용이 많이 든다. 세 번째는 신경망 모델의 공통 파이프라인을 제시한다. 단어 임베딩 → 문장/문서 인코더 → 선택(추출) 혹은 디코더(생성) 구조이며, 여기서 CNN, RNN(LSTM/GRU), 그리고 최근의 Transformer가 핵심 인코더/디코더 역할을 수행한다. 특히 추출형 모델에서는 문장 표현을 어떻게 설계하느냐가 성능 좌우 요인이며, 연속 벡터 공간, CNN‑LM, PriorSum 등은 각각 무감독, 무감독+페이지랭크, 감독 학습 방식을 채택한다. 이들 모델은 서브모듈러 최적화 혹은 페이지랭크 기반 점수 함수를 통해 요약문을 구성한다는 공통점을 가진다. 생성형 모델은 인코더‑디코더 구조에 주목한다. 초기 Seq2Seq 모델에 주의 메커니즘을 도입해 원문‑요약 정렬을 개선했으며, 복사·커버리지 손실을 추가해 원문 내용 누락과 반복을 억제한다. 최근에는 강화학습을 활용해 ROUGE 보상을 직접 최적화하거나, 사전학습된 언어 모델(BERT, GPT) 기반의 사전‑후처리 기법을 결합해 품질을 크게 끌어올렸다. 전반적으로 논문은 신경망 기반 요약이 전통적 통계·규칙 기반 방법을 넘어선 성능 향상을 보여주지만, 평가 지표의 신뢰성 부족, 도메인·언어 일반화 한계, 그리고 요약의 사실성·편향 문제 등 해결해야 할 과제가 여전히 많다고 결론짓는다.