신문기사 선정. ▶ 객관적인 정보 전달을 위하여 작성된 기사 신문기사의 주제는 ‘경제, 과학, 국제, 문화, 사람들, 사회, 스포츠, 정치, 지역, 기 획, 시설, 오피니언’ 등으로 분류할 수 있다. 이 분류는 국립국어원의 2018년 국어 말뭉 치 연구 및 구축 사업에서 구축된 신문기사 말뭉치의 분류를 따른다. 이중 객관적인 정보만을 담고 있는 기사들을 자동 요약을 위한 말뭉치의 대상으로 선정한다. 이에 따 라 ‘기획, 사설, 오피니언’은 말뭉치 구축 대상에서 제외한다. 실제 분류가 경제, 과학, 국제, 문화, 사람들, 사회, 스포츠, 정치, 지역, 기획, 시설, 오피니언’에 해당하는 기사 더라도, 특정인의 시각으로 쓰인 논설 또는 칼럼에 해당할 경우 구축 대상에서 제외한 다. 이러한 제외 기사의 발굴은 작업자의 이슈 보고 및 검수 과정을 통해 이루어진다. 제외 기사 목록에서 논설 또는 칼럼, 기획 기사에 해당하는 키워드를 발굴하고 목록화 하여 전체 작업 기사에서 최종적으로 제외될 기사를 확정한다. 검토 대상 키워드는 " 데스크 진단”, "문화好통”, "기자수첩”, "삼시세평”, "탐사기획”, "기자의 눈”, "커버스 토리” 등 실제 칼럼 명 및 실제 인명으로 구성되었다. ▶ 적정 분량의 기사 분량이 너무 짧아서 요약이 불필요하거나 반대로 너무 길어서 세 문장 이내로 요 약을 할 수 없는 기사는 말뭉치 구축 대상에서 제외한다. 기사문에서 한 문장은 평균 적으로 14개의 어절 정도로 이루어지기 때문에, 본문 기준 200개 어절 이상 600개 어 절 미만의 기사만을 말뭉치 구축 대상으로 선정한다. 주제문과 요약문은 일반적인 문 장으로 구성하는 것을 원칙으로 하고 있기 때문에 명사구로 종결되는 부주제문은 본문 에서 제외한다. 위에서 제시한 도메인 분류와 관계없이, 기사의 문장 형식 또는 목적이 일반적인 기사와 다른 것들이 있다. 특정한 제품이나 행사를 홍보하기 위한 목적을 가진 기사, 인터뷰이의 전체 발화를 그대로 옮겨놓거나 질의응답 형식으로 정리한 기사, 3개 이상 의 정보가 열거된 기사 등이 이에 속하며, 이러한 하위분류를 서브 클래스라고 지칭하 였다. 서브 클래스를 가지는 기사들은 주제문을 주석하거나 요약문을 생성할 때 일반 적인 기사와는 다른 별도의 처리가 필요하다.
