Small edits to article

article.md

@@ -1,20 +1,19 @@
 ### 기술 설명
 
-문서요약(text summarization)은 자연어처리(natural language processings) 분야에 상당히 재미있는 과제 중 한가지,
-그리고 일상생활에도 상당히 유용한데도 불구하고
-한국어 문서요약을 하는 프로젝트를 쉽게 찾지 못해 여기서 간단하게 시도해봤습니다.
+문서요약(text summarization)은 자연어처리(natural language processings) 분야에서 중요하고 흥미로운 과제 중 한가지입니다.
+그런데도 불구하고 한국어 문서요약을 하는 오픈소스 프로젝트를 쉽게 찾지 못해 여기서 간단하게 시도해봤습니다.
 
-기본 개념은 문서에서 가장 중요한 N개의 문장을 선택해서 개요를 생성하는 추출적 요약(extractive summarization)인데요
-문장을 선택하는 기준에 따라 다양한 기법이 있죠.
+기본 개념은 문서에서 가장 중요한 N개의 문장을 선택해서 개요를 생성하는 추출적 요약(extractive summarization)인데요,
+여기서 문장을 선택하는 기준에 따라 다양한 기법이 있죠.
 흔히 사용하는 TextRank 알고리즘은 문장 사이의 상호관계를 통해 그중 가장 핵심적인 문장을 찾는 graph-based 기법입니다.
 
 이 프로젝트는 문장임베딩(sentence embedding)을 통해 문장의 의미를 벡터로 나타내고,
-클러스터링(clustering)으로 비슷한 의미를 가지고 있는 문장을 찾아,
-여러 클러스터 중에서 각각 1개의 핵심 문장을 선택해서 개요를 만드는 기법을 사용합니다. 
+클러스터링(clustering)으로 비슷한 의미를 가지고 있는 문장을 서로 모아,
+클러스터마다 1개의 핵심 문장을 선택하여 개요를 만드는 기법을 사용합니다. 
 
-문장임베딩을 찾는데서 [Sentence-BERT](https://www.sbert.net/)라는 모델로 시도했었는데요 기존 모델은 BERT 기반이라서
-한국어 문서요약 성능이 좋지 않았습니다.
-그래서 한국어 임베딩에 트레이닝이된 [KoBERT](https://github.com/SKTBrain/KoBERT)를 뒷받침으로 Sentence-BERT 모델을 사용합니다.
+문장임베딩을 찾는데서 [Sentence-BERT](https://www.sbert.net/)라는 모델로 시도했었지만 기존 모델은 BERT 기반 다중언어 모델을 사용함으로
+한국어 문서요약 테스크에 적합하지 않았습니다.
+그래서 한국어 임베딩에 트레이닝이된 [KoBERT](https://github.com/SKTBrain/KoBERT)를 뒷받침으로 Sentence-BERT 모델을 사용하게 됬습니다.
 
 문장임베딩을 구하고 개요를 생성하는 과정에서 파이썬 [Summarizer](https://github.com/dmmiller612/bert-extractive-summarizer) 패키지를 사용하고
 문장경계식별(sentence boundary detection) 등 전처리 및 후처리를 위해 [Spacy](https://spacy.io/) 라이버리를 활용했습니다.
@@ -22,7 +21,7 @@
 
 프로젝트에 앞으로 개선해야 할 점이 아직 많습니다.
 만족스러운 한글 문서 요약 데이터셋이 없어 fine-tuning 학습이 불가능했고
-종종 글에 가장 핵심적인 문장이 개요에서 누락되는 경우가 있고 context가 없어 이해하기 어려운 문장이 포함되는 경우가 있죠.
+종종 글에 가장 핵심적인 문장이 개요에서 누락되는 경우가 있고 앞뒤 문맥이 없어서 이해하기 어려운 문장이 포함되는 경우가 있습니다.
 언어모델의 크기가 상당해서 CPU 성능도 만족스럽지 않아
 더 작은 모델로 실험해보는 것도 좋을것 같습니다.
-또한 네이버뉴스 뿐만이 아니라 다른 사이트에서도 문서 본문을 추출하는 web scraping 코드를 추가하면 사용하기 편하겠죠.
+또한 사용하기 더욱 편리하게 네이버뉴스 뿐만이 아니라 다른 사이트에서도 별도의 web scraping 코드 없이 문서 본문을 지능적으로 추출하는 것도 흥미로운 과제가 될것 같습니다.