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
- 이주홍
- 발행연도
- 2018
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수3
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
자연어 처리 분야에서도 심층 신경망 기술이 주목되고 있으며, 최근에는 convolution neural network(CNN)기반의 심층 신경망 구조가 이미지 분류뿐만 아니라 자연어 처리의 문서 분류에서도 좋은 성능이 입증되었다. 하지만 convolution neural network(CNN)을 이용한 문서 분류 연구에서는 대체로 문장의 평균 단어수가 적은 짧은 문장에 한하여 적용되었으며, 의미론적 관계가 복잡한 긴 문장은 다루기 어렵다는 단점을 가지고 있다. 본 논문은 기존의 연구의 한계점을 극복하고 더 정확한 문서 분류 성능을 위하여 word2vec을 활용한 recurrent neural network(RNN)기반의 심층 신경망의 접근법을 새롭게 제안한다. 이를 위해 장기 의존성 문제를 극복한 long short-term memory(LSTM)을 사용하여 긴 시퀀스의 입력에서도 효과적인 문서 분류가 가능하도록 하였고, 제안 방식의 효율성을 검증하기 위해 영문 데이터 분 아니라 한국어 영화 리뷰 데이터에 대해서도 실험을 수행하였다. 그 결과 장문을 포함하고 있는 영문 신문 기사에서는 87%, 단문으로 구성된 영문 리뷰 문서에서는 90%, 한국어 영화 리뷰에서는 88%의 문서 분류 정확도를 보였다.
목차
제 1장 서론 ......................................................11.1 연구의 배경 및 필요성..............................11.2 연구의 목표 및 구성.................................3제 2장 이론적인 배경..........................................52.1 word embedding....................................52.2 Recurrent Neural Network(RNN)..............6제 3장 word2vec을 활용한 RNN기반의 문서 분류 시스템....93.1 word2vec을 활용한 데이터 전처리...............93.2 제안 방식의 시스템 구조............................10제 4장 실험 및 평가...........................................144.1 실험 데이터 셋 구성................................144.2 LSTM의 입력 토큰 개수 설정....................154.3 기존 연구와의 비교 실험 및 성능 분석........18제 5장 결론 및 향후 과제...................................20참고 문헌 .......................................................21
최근 본 자료
댓글(0)
0