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.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 안정용
- 발행연도
- 2023
- 저작권
- 전북대학교 논문은 저작권에 의해 보호받습니다.
이용수12
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
토픽 모델(topic model)은 문서와 단어로 구성된 행렬(document-term matrix, DTM)을 기반으로 문서에 잠재되어 있는 토픽의 출현확률을 추정하는 기법이다. 이 기법은 문서-토픽(documents-topics) 비중과 토픽-단어(topics-terms) 비중을 통하여 각 문서의 핵심 토픽과 각 토픽의 특성을 직관적으로 파악할 수 있다는 장점이 있다. 그러나 서로 다른 토픽에서 동일 단어가 상위 비중을 차지하는 경우, 토픽 간 변별력이 있는 핵심어(keywords) 추출이 어렵다는 문제점이 있다. 또한, 이 기법은 단어의 출현 빈도수에 기반한 방법이기 때문에 핵심어와 의미적 유사성이 있으나 핵심어로 채택되지 못한 단어들이 존재하는 경우 정보의 누락이 발생한다. 이러한 문제점을 개선하기 위하여 본 연구에서는 핵심어를 추출할 때 연관성 척도(relevance)와 워드 임베딩(word embedding) 기법을 적용하는 방법을 제안한다. 또한, 분류 성능을 개선하기 위해 EDA(Easy Data Augmentation) 기법을 이용하여 데이터를 5배 증강한 후 KoBERT 모델을 적용하여 데이터를 분류하였다. 데이터 분석 결과, 토픽 간 변별력 있는 핵심어를 추출하여 해당 토픽의 구체적인 내용을 파악할 수 있었으며, 94% 정확한 분류 결과를 얻어 데이터 증강기법을 적용하지 않은 경우에 비해 9% 정도 개선된 결과를 얻을 수 있었다.
목차
제1장 서론 1제2장 관련연구 42.1 토픽 모델링 42.2 LDA (Latent Dirichlet Allocation) 모형 52.2.1 깁스 샘플링 (Gibbs sampling) 72.2.2 혼란도 (perplexity) 82.2.3 연관성 (relevance) 92.3 워드 임베딩 102.3.1 원-핫 인코딩(one-hot encoding) 102.3.2 Word2Vec 112.3.3 Skip-Gram 122.3.4 Negative-Sampling 132.4 KoBERT 142.5 EDA 142.5.1 유의어 교체(SR) 152.5.2 임의 삽임(RI) 152.5.3 임의 교체(RS) 152.5.4 임의 삭제(RD) 15제 3장 연구 방법 및 분석 결과 163.1 연구 방법 163.1.1 데이터 수집 163.1.2 데이터 전처리 163.1.3 토픽 모델링 183.2 데이터 분석 결과 193.2.1 LDA 모형에 의해 추출된 핵심어 193.2.2 relevance 척도와 skip-gram 기법을 이용한 핵심어 추출 203.2.3 토픽 분류 28제 4 장 결론 31참고문헌 33
최근 본 자료
댓글(0)
0