불용어
1. 불용어(Stopword)
갖고 있는 데이터에서 유의미한 단어 토큰만을 선별하기 위해서는 큰 의미가 없는 단어 토큰을 제거하는 작업이 필요하다. 여기서 큰 의미가 없다라는 것은 자주 등장하지만 분석을 하는 것에 있어서는 큰 도움이 되지 않는 단어들을 말한다.
예를 들면, I, my, me, over, 조사, 접미사 같은 단어들은 문장에서는 자주 등장하지만 실제 의미 분석을 하는데는 거의 기여하는 바가 없는 경우가 있다.
이러한 단어들을 불용어(stopword)라고 하며, NLTK(자연어 처리를 위한 파이썬 패키지)에서는 위와 같은 100여개 이상의 영어 단어들을 불용어로 패키지 내에서 미리 정의하고 있다. 물론 불용어는 개발자가 직접 정의할 수도 있다.
2. 불용어 제거
- 입력
1
Family is not an important thing. It's everything.
- 불용어 제거 전
1
['Family', 'is', 'not', 'an', 'important', 'thing', '.', 'It', "'s", 'everything', '.']
- 불용어 제거 후
1
['Family', 'important', 'thing', '.', 'It', "'s", 'everything', '.']
“Family is not an important thing. It’s everything.”라는 임의의 문장을 정의하고, NLTK의 word_tokenize를 통해서 단어 토큰화를 수행한다.
단어 토큰화 결과로부터 NLTK가 정의하고 있는 불용어를 제외한 결과를 출력하고 있다. 결과적으로 ‘is’, ‘not’, ‘an’과 같은 단어들이 문장에서 제거되었음을 볼 수 있다.
3. 한국어 불용어 제거
한국어에서 불용어를 제거하는 방법으로는 간단하게는 토큰화 후에 조사, 접속사 등을 제거하는 방법이 있다.
하지만 불용어를 제거하려고 하다보면 조사나 접속사와 같은 단어들뿐만 아니라 명사, 형용사와 같은 단어들 중에서 불용어로서 제거하고 싶은 단어들이 생기기도 한다. 결국에는 사용자가 직접 불용어 사전을 만들게 되는 경우가 많다.
불용어를 정의해보고, 주어진 문장으로부터 사용자가 정의한 불용어 사전으로부터 불용어를 제거한다. 아래의 불용어는 임의 선정한 것으로 실제 의미있는 선정 기준이 아니다.
- 입력
1
고기를 아무렇게나 구우려고 하면 안 돼. 고기라고 다 같은 게 아니거든. 예컨대 삼겹살을 구울 때는 중요한 게 있지.
- 불용어 정의
1
를 아무렇게나 구 우려 고 안 돼 같은 게 구울 때 는
- 불용어 제거 전
1
['고기', '를', '아무렇게나', '구', '우려', '고', '하면', '안', '돼', '.', '고기', '라고', '다', '같은', '게', '아니거든', '.', '예컨대', '삼겹살', '을', '구울', '때', '는', '중요한', '게', '있지', '.']
- 불용어 제거 후
1
['고기', '하면', '.', '고기', '라고', '다', '아니거든', '.', '예컨대', '삼겹살', '을', '중요한', '있지', '.']
보편적으로 선택할 수 있는 한국어 불용어 리스트이다. 그러나 절대적인 기준은 아니다.
불용어가 많은 경우에는 코드 내에서 직접 정의하지 않고 txt 파일이나 csv 파일로 정리해놓고 이를 불러와서 사용하기도 한다.