📚 CSP (Corpus Split Parallel) Pipeline

한문 고전 원문-번역문 정렬 파이프라인

📋 프로젝트 개요

CSP는 한문 고전 문헌을 문단→문장으로 분할(P2S) 하고 문장→구로 분할하여 1:1 정렬(S2P) 하는 작업을 자동화하는 시스템입니다.

주요 기능

• P2S (Paragraph to Sentence): 문단을 문장으로 분할
• S2P (Sentence to Phrase): 문장을 구로 분할하고 1:1 정렬 (경계 모델 v3 기본 적용)
• 무결성 보장: 원문 문자 100% 보존 (공백 외 손실 없음)
• GPU 가속: CUDA 기반 고속 처리

---

🚀 빠른 시작

Docker 환경 실행

docker-compose up -d
docker-compose exec csp bash

P2S 파이프라인

python p2s/main.py <input.csv> <output.xlsx>

S2P 파이프라인

python s2p/main.py <input.csv> <output.xlsx> [--batch-size 32]

---

📊 처리 예시

P2S (문단 → 문장 분할)

입력:

문단(원문)	문단(번역문)
公子開方事君 不歸視死父. 衛懿公好鶴 不恤死國. 齊桓公得子亂國	공자개방이 군주를 섬기며 죽은 아버지를 돌아보지 않았다. 위의공은 학을 좋아하여 나라가 죽는 것을 돌보지 않았다. 제환공은 자란국을 얻었다

출력:

문단ID	문장ID	원문(분할)	번역문(분할)
1	1	公子開方事君 不歸視死父	공자개방이 군주를 섬기며 죽은 아버지를 돌아보지 않았다
1	2	衛懿公好鶴 不恤死國	위의공은 학을 좋아하여 나라가 죽는 것을 돌보지 않았다
1	3	齊桓公得子亂國	제환공은 자란국을 얻었다

---

S2P (문장 → 구 분할)

입력:

원문(샘플)	번역문(샘플)
公子開方事君 不歸視死父	공자개방이 군주를 섬기며 죽은 아버지를 돌아보지 않았다

출력 (구병렬):

문장식별자	구식별자	원문구	번역구
1	1	公子開方	공자개방이
1	2	事君	군주를 섬기며
1	3	不歸視死父	죽은 아버지를 돌아보지 않았다

---

📁 디렉토리 구조

CSP/
├── p2s/           # Paragraph to Sentence 모듈
├── s2p/           # Sentence to Phrase 모듈
├── common/        # 공통 유틸리티 (embedders, tokenizers 등)
├── accuracy/      # 평가 스크립트
├── datasets/      # 입력 데이터셋
│   ├── paragraph/ # 문단 단위 (P2S 입력)
│   ├── sentence/  # 문장 단위 (P2S 정답 / S2P 입력)
│   └── phrase/    # 구 단위 (S2P 정답)
├── models/        # 학습된 경계 모델
└── test_results/  # 테스트 결과물

---

📈 성능 (2026-01-23 기준)

P2S (Paragraph → Sentence)

지표	값
F1	0.8724 (87.24%)
원문 유사도	0.9174 (91.74%) (번역문 일치 문장 기준)

S2P (Sentence → Phrase)

지표	값
F1	0.8091 (80.91%)
번역문 유사도	0.8323 (83.23%)

---

�️ 무결성 (Integrity) 검증 (2026-01-23)

파이프라인	전역 무결성	설명
P2S	PASS	원문 텍스트 100% 보존 (정규화 기준)
S2P	FAIL (-1 char)	1글자(曰) 누락 확인됨. 그 외 99.999% 일치.

---

�🔄 마이그레이션 기록 (2026-01-19)

PA/SA → P2S/S2P 전환

• 폴더명 변경: pa/ → p2s/, sa/ → s2p/
• 데이터셋 재구성: datasets/paragraph, datasets/sentence, datasets/phrase

S2P 설정 수정

• 기본값 변경: --use-boundary-model을 기본 True로 설정 (F1 0.8315 재현용)
• 인자 추가: --batch-size 인자 추가 (기본 32)
• 무결성 체크 개선: 공백/개행/탭 무시하여 오탐 해결

검증 결과 (10개 샘플)

• P2S: F1 0.85, 번역문 일치율 100%
• S2P: 테스트 중 (경계 모델 v3 정상 동작)

---

🛠️ 핵심 기술

• 임베더: BGE-M3 FlagModel (GPU 가속)
• 경계 모델: Cross-Attention 기반 Boundary Tagger v3
• 구문분석: SuPar-Kanbun (한문) + Stanza (한국어)
• 토크나이저: SikuBERT (한문) + Kiwipiepy (현토)

---

🐳 개발 환경

Docker (권장)

GPU/CUDA 의존성과 재현성을 위해 Docker 사용을 권장합니다.

# 컨테이너 빌드 및 실행
docker-compose up -d
docker-compose exec csp bash

# 헬퍼 스크립트 (Windows)
./docker.ps1 python scripts/example.py

패키지 관리

• Docker: uv를 사용한 고속 패키지 설치 (pip 대비 2-10배 빠름)
• 로컬: .venv + requirements.txt (torch 2.9.1)
• 버전 차이: Docker는 torch==2.6.0 (공식 이미지 기준), 로컬은 torch==2.9.1

보안 점검

# 로컬 환경 취약점 점검
./scripts/safety_check.ps1

# Docker 환경 취약점 점검
./scripts/safety_check.ps1 -Docker

# 자동 수정 시도
./scripts/safety_check.ps1 -Fix

---

최종 업데이트: 2026년 01월 24일 - 개발 환경 문서화 및 보안 점검 스크립트 추가