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
- 하지만 ⑵의 방법은 사용자가 피드백하는 문서가 소수이며 긍정적인 문서만 피드백한다는 가정 하에서 제안되었다. 따라서, 본 논문에서는 [2]의 방법을 다수의 문서가 주어진 경우와 부정적 문서도 같이 주어진 경우로 확장하여 그 유용성을 확인하고자 하였다. 이를 위해 GIS (Generalized Instance Set) 알고리즘 [10, 11]에 [2]의 방법을 적용시켜 그 성능을 평가하였다.
- 본 논문에서는 소수의 긍정적 문서 집합을 대상으로 문서들의 내용을 대표하는 중요 용어들을 추출하고 이들의 가중치를 부여하는 문제를 해결하기 위한 방법인 퍼지 추론 및 용어 발생 빈도 수의 유사성을 이용한 가중치 재산정 접근 방법을 GIS 알고리즘에 적용시켜 문서분류 성능을 비교해 보았다. GIS 알고리즘에 적용시켜 봄으로써 소수 학습 문서 집합을 대상으로 한다는 제약성을 극복할 수 있었으며 긍정적 문서들만을 일반화에 사용한 실험에서 나은 성능을 보여줌으로써 성능 향상의 가능성을 확인할 수 있었다.
- 위 실험을 통하여 본 방법은 적당수 (10 ~ 30개)의 관련문서가 주어진 경우 좋은 성능을 보임을 확인할 수 있었다. 본 실험에서는 사용자로부터 더 많은 수의 관심 문서들이 주어진 경우를 고려하여 위 방법의 성능을 확인하고자 하였다. 우선 다수 의 문서 집합에 대한 위 방법의 성능을 살펴본 후 문서들을 여러 개의 소수 문서 집합들로 분할한 뒤 각각에 대해 위 방법을 적용시키는 방법에 대한 성능을 살펴보았다.
가설 설정
- [2]에서는 학습 문서에 퍼지 추론을 적용시켜 초기 중요 단어들을 추출하고 이 단어들을 초기 질의어로 간주하여 기존의 질의 자동 확장 방법을 적용시켜 중요도를 재산정하는 방법을 제안하였고 실험을 통해 그 유용성을 확인하였다. 하지만 ⑵의 방법은 사용자가 피드백하는 문서가 소수이며 긍정적인 문서만 피드백한다는 가정 하에서 제안되었다. 따라서, 본 논문에서는 [2]의 방법을 다수의 문서가 주어진 경우와 부정적 문서도 같이 주어진 경우로 확장하여 그 유용성을 확인하고자 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.