선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이들 용어의 분포를 파악하기 위해서 특이치 분해 (SVD : Singular Value Decomposition) 기법[2]을 이용하고 유사성(similarity) 측정을 위해서는 코사인계수(cosine coefficient)를 사용한다. 그러나 용어의 수가 많을 때는 유사성 수치 값이 비슷한 것이 많아지고 이들 모두를 질의어에 추가하는 것은 비효율적이기에, 본 논문에서는 임계치를 설정하여 효과적으로 검색 성능을 개선하는 방안을 연구한다.
- 본 논문은 기존 연구의 문제점인 용어 문제, 검색성능 향상 문제를 해결하기 위해 전체 문서에서 나타나는 용어 분포를 이용해 개념 기반 검색을 지원하는 질의어 확장 방법을 대상으로 하였다. 이를 위해 벡터 공간 모델을 기반으로 질의어와 문서 또는 용어간의 의미적 유사성을 파악하기 위해 특이치 분해를 이용하였다.
- 본 논문은 기존 연구의 문제점인 용어 문제, 검색성능 향상 문제를 해결하기 위해 전체 문서에서 나타나는 용어 분포를 이용해 개념 기반(concept-based) 검색을 지원하는 질의어 확장 방법을 대상으로 한다. 이들 용어의 분포를 파악하기 위해서 특이치 분해 (SVD : Singular Value Decomposition) 기법[2]을 이용하고 유사성(similarity) 측정을 위해서는 코사인계수(cosine coefficient)를 사용한다.
- 또한 질의어 확장시, 질의어에 추가 할 용어를 선택할 때 유사성이 매우 밀접한 것들이 많이 발생하였다. 유사성 값이 비슷한 용어를 질의어에 모두 추가한다는 것은 검색 성능 개선에 큰 도움이 되지 않기 때문에 본 논문에서는 이들 용어중에서 임계치를 설정하여 검색 성능을 개선할 수있는 방법을 연구하고 평가하였다. 그 결과 단순히 질의어를 확장하는 모델보다는 3% 정도의 검색 성능 개선을 가져왔다.
가설 설정
- 질의어 기준축을 중심으로 점선으로 표현한 영역 안에 있는 용어는 문서 집합체에서 사용 분포도가 유사하다. 따라서 질의어를 확장한다면 점선 내부에 있는 용어를 선택하는 것이 합리적일 것이다. 이들 용어는 <표 4>에 밑줄이 있는 글자로 표현하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.