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
- 서동민
- 발행연도
- 2020
- 저작권
- 과학기술연합대학원대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (3)
2020
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
뉴스 기사로부터 이슈를 분석하는 방법은 사회·정치적으로 중요한 문제를 파악하는 데 좋은 수단이다. 또한 인터넷 기술의 발달로 전 세계 각지에서 발생하는 뉴스를 접할 수 있으며, 기사의 발생 빈도는 거의 실시간에 가깝다. 이에 따라 실시간으로 발생하는 뉴스 기사로부터 이슈를 분석하기 위한 다양한 연구가 진행되어 왔다. 하지만 범주에 따라 계층적으로 이슈를 분석하는 연구는 많이 진행되지 않았고, 계층적 이슈 분석을 위한 기존의 연구에서 제안하는 방식 또한 뉴스 기사 증가에 따라 군집화 속도가 느려지는 문제점이 있다. 따라서 본 논문에서는 뉴스 기사의 이슈를 분석하는 계층적·점증적 군집화 방식을 제안하고 군집 성능과 속도를 개선한다. 제안하는 군집화 방식은 샴 신경망을 이용한 가중 코사인 유사도 측정 모델 기반의 k-평균 알고리즘을 이용한 단어 군집 기반 문서 표현 방식을 통해 뉴스 기사를 문서 벡터로 표현한다. 그리고 문서 벡터로부터 초기 이슈 군집 트리를 생성하고, 새로 발생한 뉴스 기사를 해당 이슈 군집 트리에 추가하는 점증적 군집화 방식을 제안함으로써 뉴스 기사의 계층적 이슈를 기존 방식보다 빠르게 분석한다. 마지막으로, 본 논문에서 제안하는 방식과 기존 방식들과의 성능 평가를 통해 제안하는 군집화 방식이 정확도 측면에서 기존 방식 대비 NMI 지표 기준 최대 0.26 정도 성능이 향상되었고, 속도 측면에서 약 10배 이상의 성능이 향상됨을 입증하였다.
목차
1. 서론2. 관련 연구2.1. 기존 문서 표현 방식2.2. 기존 군집 분석 기술2.3. 기존 가중 유사도 측정 모델3. 제안 방안3.1. 초기 이슈 군집 트리 생성3.2. 이슈 군집 트리 업데이트4. 실험 방법 및 결과4.1. 워드 임베딩 모델 선정4.2. 가중 코사인 유사도 측정 모델 학습4.3. 계층적·점증적 군집화 실험5. 결론
최근 본 자료
댓글(0)
0