워드 임베딩과 단어 네트워크 분석을 활용한 비지도학습 기반의 문서 다중 범주 가중치 산출 : 휴대폰 리뷰 사례를 중심으로 :휴대폰 리뷰 사례를 중심으로

Q: 이 논문에서 정의한 문서 다중 범주 가중치 산출이란 무엇인가?

문서 다중 범주 가중치 산출은 분산 표상 기법과 그래프 기반 방법론을 활용하여 문서의 핵심 범주를 추출하고, 각 문서가 여러 범주에 대해 가지는 중요도를 가중치 점수로 파악하는 비지도 학습 기반 방법론이다. 이를 통해 문서 내 어떤 범주가 얼마나 중요한지 점수화할 수 있다.

Q: 워드 임베딩과 단어 네트워크 분석을 활용한 비지도 학습 기반 문서 다중 범주 가중치 산출 방법론은 어떤 이점을 가지는가?

연구 결과, 이 방법론은 단어의 문맥적 의미를 고려한 단어 네트워크를 생성하여 문서의 중요 범주를 추출하고, 각 문서의 다중 범주에 대한 가중치를 산출하여 어떤 범주가 얼마나 중요한지 파악할 수 있다. 또한, 핵심 범주에 속하지 않는 문서를 판별하여 불필요한 문서를 제거하는 데 활용될 수 있다.

정재윤; 모경현; 서승완; 김창엽; 김해동; 강필성

doi:10.7232/JKIIE.2018.44.6.442

추천

검색

질문

자료유형: 학술저널

저자정보: 정재윤 (고려대학교) 모경현 (고려대학교) 서승완 (고려대학교) 김창엽 (고려대학교) 김해동 (고려대학교) 강필성 (고려대학교)

저널정보: 대한산업공학회 대한산업공학회지 대한산업공학회지 제44권 제6호

발행연도: 2018.12

수록면: 442 - 451 (10page)

DOI: 10.7232/JKIIE.2018.44.6.442

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Due to the increased amounts of online documents, there is a growing demand for text categorization that categorizes documents into predefined categories. Many approaches to this problem are based on supervised machine learning which couldn’t be applied to unlabeled data. However, large number of documents, such as online cell phone reviews, have no category information and key categories are not predefined. To solve these problems, we propose unsupervised document multi-labeling method based on word embedding and word network analysis. After embedding words in a lower dimensional space using Word2Vec technique, we generate a weight matrix by calculating similarities between words. We create a word network using this matrix and extract the key categories from this network. With key category-weight matrix and co-occurrence matrix, we generate a document-category score matrix. To verify our proposed method, we collect 298,206 cell phone reviews from four review websites. Then, we compared the results of the proposed method with labeled documents from human cognitive perspective.

#Word Embedding #Unsupervised Learning #Word Network Analysis #Multi-Label Weight Extraction #Text Mining #Mobile Phone Reviews

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2019-530-000172798

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)