$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

토픽 모형 및 사회연결망 분석을 이용한 한국데이터정보과학회지 영문초록 분석
Analysis of English abstracts in Journal of the Korean Data & Information Science Society using topic models and social network analysis 원문보기

Journal of the Korean Data & Information Science Society = 한국데이터정보과학회지, v.26 no.1, 2015년, pp.151 - 159  

김규하 (계명대학교 통계학과) ,  박철용 (계명대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

이 논문에서는 텍스트마이닝 (text mining) 기법을 이용하여 한국데이터정보과학회지에 게재된 논문의 영어초록을 분석하였다. 먼저 다양한 방법을 통해 단어-문서 행렬 (term-document matrix)을 생성하고 이를 사회연결망 분석 (social network analysis)을 통해 시각화하였다. 또한 토픽을 추출하기 위한 방법으로 LDA (latent Dirichlet allocation)와 CTM (correlated topic model)을 사용하였다. 토픽의 수, 단어-문서 행렬의 생성방법에 따라 엔트로피 (entropy)를 통해 토픽 추출 모형들의 성능을 비교하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This article analyzes English abstracts of the articles published in Journal of the Korean Data & Information Science Society using text mining techniques. At first, term-document matrices are formed by various methods and then visualized by social network analysis. LDA (latent Dirichlet allocation)...

주제어

#사회연결망 분석   #텍스트마이닝   #토픽 모형   #한국데이터정보과학회지  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 각 모형에서 추출된 단어 일부를 이용하여 단어들 간의 관계, 나아가 토픽들 간의 관계를 시각화 자료를 통해 해석할 수 있다. 또한 빈도가 높은 단어들을 추출하고 추출된 단어들과 문서들의 사회연결망을 통해 문서의 특징에 대해 분석하고자 한다.
  • 다양한 토픽 모형들이 존재하지만 Blei 등 (2003)이 제안한 LDA (latent Dirichlet allocation)와 Blei와 Lafferty (2006)가 제안한 DTM (dynamic topic models), Blei와 Lafferty (2007)가 제안한 CTM (correlated topic models)이 지금까지도 많이 사용되고 있다. 본 논문에서는 LDA와 CTM을 실제 자료에 적용하여 비교분석하고자 한다. LDA의 경우 토픽 1에 포함된 단어들과 토픽 2에 포함된 단어들 간의 상관성을 가정하지 않는 반면, CTM의 경우 상관성이 있다는 가정을 하게 된다.

가설 설정

  • 본 논문에서는 LDA와 CTM을 실제 자료에 적용하여 비교분석하고자 한다. LDA의 경우 토픽 1에 포함된 단어들과 토픽 2에 포함된 단어들 간의 상관성을 가정하지 않는 반면, CTM의 경우 상관성이 있다는 가정을 하게 된다. 이러한 모형의 특징은 분포에 기인한 것으로 2.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
사회연결망 서비스 어플리케이션은 어떤 어플리케이션인가? 그 중 대부분의 스마트폰 유저들은 메신저와 사회연결망 서비스 어플리케이션을 사용하고 있거나 사용한 경험이 있을 것이다. 위 어플리케이션들은 스마트폰을 이용하여 서로 문자를 주고받거나, 자신의 정보 및 상태를 글과 사진을 통하여 실시간 업로드를 할 수 있는 어플리케이션이다. 이 어플리케이션을 통해 구조와 형태가 복잡하고 정형화되지 않은 글, 사진, 영상과 같은 비정형 데이터들이 생성되고 있다.
Blei와 Lafferty에 의하면 LDA는 무엇을 예측하고자 하는 것인가? 또한 계층적 구조로서 각 문서에서 토픽들을 구성하고 구성된 토픽에서 단어를 추출하게 된다. Blei와 Lafferty (2009)에 의하면 LDA는 관측된 각 문서의 단어들을 이용하여 은닉 변수 (hidden variables)로 표현된 잠재 토픽 구조 (latent topical structure)를 예측하고자 하는 것이다. Figure 2.
사회연결망 서비스 어플리케이션은 어떤 데이터를 생성하고 있는가? 위 어플리케이션들은 스마트폰을 이용하여 서로 문자를 주고받거나, 자신의 정보 및 상태를 글과 사진을 통하여 실시간 업로드를 할 수 있는 어플리케이션이다. 이 어플리케이션을 통해 구조와 형태가 복잡하고 정형화되지 않은 글, 사진, 영상과 같은 비정형 데이터들이 생성되고 있다. 예를 들어 대표적 사회연결망 서비스 어플리케이션인 페이스북의 사용자는 2014년 6월 기준 약 13억 2천만 명이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (8)

  1. Blei, D. M. and Lafferty, J. D. (2006). Dynamic topic models. Proceedings of the 23rd International Conference on Machine Learning, 113-120. 

  2. Blei, D. M. and Lafferty, J. D. (2007). A correlated topic model of science. The Annals of Applied Statistics, 1, 17-35. 

    상세보기 crossref

  3. Blei, D. M. and Lafferty, J. D. (2009). Topic models. In Text Mining: Classification, Clustering, and Applications, edited by A. N. Srivastava and M. Sahami, Champman and Hall/CRC, Boca Raton, 71-94. 

  4. Blei, D. M., Ng, A. Y. and Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022. 

  5. Chung, H. and Han, C. (2013). Conditional bootstrap confidence intervals for classification error rate when a block of observations is missing. Journal of the Korean Data & Information Science Society, 24, 189-200. 

    원문보기 상세보기 crossref

  6. Hornik, K. and Grun, B. (2011). topicmodels: An R package for fitting topic models. Journal of Statistical Software, 40, 1-30. 

  7. Huang, J. and Malisiewicz, T. (2006). Correlated topic model details, Technical Report, Carnegie Mellon University, Pittsburgh, PA. 

  8. Shim, J., Kim, Y. and Hwang, C. (2013). Generalized kernel estimating equation for panel estimation of small area unemployment rates. Journal of the Korean Data & Information Science Society, 24, 1199-1210. 

    원문보기 상세보기 crossref

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로