인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
학술저널
DBpia Top 10%
오류 신고하기해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
초록·키워드
본 연구는 토픽 모델링 기법들의 성능을 비교 분석하고자 한다. 구체적으로 잠재 디리클레 할당(LDA)과 같은 전통적인 통계 기반 방법과 대규모 언어 모델(LLM) 기반의 최신 접근법들을 비교한다. 본 연구에서는 LDA와 함께 BERTopic, 문맥 기반 토픽 임베딩(CTE), 그래프 신경망(GNN), 변분 오토인코더(VAE)를 포함하는 다양한 LLM 기반 모델들을 체계적으로 비교 분석하였으며, 토픽 구별도(명확, 유사, 혼합) 및 데이터셋 규모(500개에서 100,000개 문서)에 따른 각 모델의 성능을 평가하였다. 연구 결과, LDA는 대규모 데이터셋에서 견고한 성능과 확장성을 보이는 반면, CTE와 같은 문맥 기반 방법은 특히 토픽 구별도가 명확한 데이터셋에서 미묘한 의미 정보를 포착하는 데 뛰어난 성능을 나타냈다. 또한, 본 연구에서는 기존에 사용되던 일관성(coherence) 및 퍼플렉시티(perplexity) 지표의 한계를 극복하기 위하여, 임베딩 기반 토픽 유사도와 최적 매칭 기반 유사도라는 새로운 평가 지표를 사용하였다. 연구 결과는 토픽 모델링 방법 선택 시 데이터 특성과 규모를 종합적으로 고려해야 하며, 다양한 모델들이 각기 다른 조건에서 다양한 수준의 효과를 나타낸다는 점을 시사한다.
#토픽 모델링
#잠재 디리클레 할당(LDA)
#대규모 언어 모델(LLM)
#문맥 기반 토픽 임베딩(CTE)
#그래프 신경망(GNN)
#변분 오토인코더(VAE)
#텍스트 분석
#평가 지표
#Topic modeling
#Latent Dirichlet Allocation (LDA)
#Large Language Models (LLMs)
#BERTopic
#Contextualized Topic Embedding (CTE)
#Graph Neural Networks (GNN)
#Variational Autoencoders (VAE)
#Text analysis
#Evaluation metrics]
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-092500081
