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
- 즉, 블로그의 HTML 형식이 매우 자유롭고 시간이 흐름에 따라 변동이 크기 때문에 정해진 형식에 얽매이지 않고 본문을 추출할 수 있어야 한다. 따라서 본 논문은 로지스틱 회귀(Logistic Regression) 및 앙상블(Ensemble)기법을 활용하여 유동적인 블로그 웹페이지 구조에 대해 주요 본문을 추출하는 기법을 제안한다.
- 따라서 본문 주제를 고려한 특징을 정의한다면 학습 성능을 더 올릴 수 있을 것이다. 본 논문에서는 글자 수, 하이퍼링크 수에 따른 특징뿐만 아니라 각 태그가 본문 제목의 단어를 얼마나 포함하는지에 따른 본문 제목과의 연관성 특징도 정의하여 학습의 성능을 높이고자 했다.
- 텍스트마이닝과 오피니언마이닝이 여러 분야에서 활발하게 쓰여지고 있는 상황에서 소셜 네트워크 서비스에서 유의미한 데이터를 정확하게 추출하는 것이 중요해졌다. 이에 본 논문은 소셜 네트워크 데이터 중에서도 태그 구조가 복잡하고 변동이 심한 블로그 문서로부터 본문을 추출하는 방법을 제안하였다. 주목할 점은 블로그 HTML의 구조적 태그 특징과 함께 텍스트 밀도, 본문 제목과의 연관성과 같은 특징을 기계학습에 적용한 뒤 깊이 특징을 이용하여 본문영역을 정확히 추출할 수 있다는 것이다.
- 첫 번째로, 본문 태그를 더 엄격하게 정의하여 앙상블 모델의 성능을 높이고자 한다. 제안 기법의 모든 단계를 거치고 나서 최종적으로 본문 태그를 찾아낸 문서의 비율은 80.
제안 방법
- 수집한 블로그 HTML에서 본문 태그가 될 수 있는 태그를 표시한 뒤 학습에 불필요한 부분을 제거하는 전처리를 한다. 그 다음으로 한 블로그 HTML문서를 하나의 트리 구조로 분석하여 각 태그에 대해 부모 태그의 개수, 22개의 특정 태그에 포함되는 자식 태그의 개수, 텍스트 밀도 특징 그리고 본문 제목과의 연관성 특징의 총 25개 특징을 추출하여 각 태그마다 특징 벡터를 구성한다. 추출한 특징 벡터를 입력으로 로지스틱 회귀 기법을 이용해 한 블로그마다 하나의 본문 태그 분류 모델을 학습한다.
- 대부분의 블로그 HTML 문서는 [body]태그에 본문이 있기 때문에 실험의 효율성을 위해 정제된 블로그 HTML 문서에서 [body] 태그에 속하는 태그만을 검사하여 부모 태그의 개수, 22개의 특정 태그에 포함되는 자식 태그의 개수, 텍스트 밀도 특징 그리고 본문 제목과의 연관성 특징의총 25개 특징을 추출하여 각 태그의 특징 벡터를 만든다.
- 두 번째로, 본문 태그 분류 모델의 입력 특징에 대한 좀 더 세밀한 검증을 통해 태그 분류 정확도를 높인다. 본 논문에서 제시하는 본문 태그 분류 모델은 태그가 가지는 구조적 특징, 텍스트 밀도 특징과 본문 제목과의 연관성 특징 등 25개의 특징을 정의하여 해당 모델의 입력 특징으로 사용하였다.
- 또한 기존 기법과의 성능 비교를 위해 직접 수집한 데이터를 이용하여 비교 실험을 해보았다. 비교 실험에서는 L3S 연구소가 제안한 본문 추출 방법[8, 9]의 태그 특징을 본문을 포함하면서 광고, 메뉴, 댓글 등의 영역을 최소로 가지는 태그를 본문 태그로 정의한 본 논문의 목적에 맞게 약간 변형하여 사용하였다.
- 또한 본문 태그를 표시한 HTML 문서에서 학습에 불필요하다고 판단되는 [script]태그와 --->의 형식으로 쓰이는 주석 부분을 제거하였다.
- 이때 정확도는 앙상블한 모델이 본문 태그 후보군으로 분류(예측)한 태그들 중에서 올바르게 분류된 태그들의 비율을 의미한다. 또한 이 실험에서는 각각의 블로그 HTML 문서에서 본문 태그를 정확하게 찾아냈는지 여부가 중요하기 때문에 모든 테스트 문서에서 본문 태그를 찾아낸 문서의 비율을 계산하였다. 이때 본문 태그로 예측한 태그는 최종적으로 본문 태그 후보군에서 본문 태그일 확률이 높은 k개의 태그에서 깊이 특징이 가장 큰 태그이다.
- 또한, 제안 기법은 모델의 학습에서도 깊이 특징을 사용했기 때문에 이를 기본 기법과 비교하기 위해 기존 기법의 단어 밀도 특징, 링크 밀도과 함께 깊이 특징을 입력 특징으로 추가하여 모델 학습의 입력으로 넣어주는 변형된 기존기법에 대해서도 실험하였다. 그 결과 변형된 기존 기법이 전체 테스트 문서에서 태그 분류 정확도가 0.
- 두 번째로, 본문 태그 분류 모델의 입력 특징에 대한 좀 더 세밀한 검증을 통해 태그 분류 정확도를 높인다. 본 논문에서 제시하는 본문 태그 분류 모델은 태그가 가지는 구조적 특징, 텍스트 밀도 특징과 본문 제목과의 연관성 특징 등 25개의 특징을 정의하여 해당 모델의 입력 특징으로 사용하였다. 그러나 입력 특징을 정의하는 과정에서 각 특징들 간의 관계와 중요도를 실험적으로 측정하여 특징 선택(feature selection)을 한다면 모델의 성능을 더 올릴 수 있을 것이다[16, 17].
- 이를 높이기 위해 본문 태그를 문서 당 하나로 제한하는 것이 효과가 있을 것으로 생각된다. 본 논문에서는 본문 태그를 본문을 포함하면서 댓글, 메뉴, 광고 등 본문이 아닌 영역을 최소로 가진 태그로 정의하여 한 문서 당 1~4개의 태그를 본문 태그로 정하였다. 향후 연구에서는 다른 기준을 통해 문서 당 태그를 하나만 선별하여 본문 태그로 정의하고자 한다.
- 본 논문은 HTML로 작성된 블로그 문서를 트리 구조로 표현하였을 때 각 태그가 가지는 구조적 특징, 텍스트 밀도특징과 본문 제목과의 연관성 특징을 정의하고 이러한 특징들에 기계학습 기법을 적용하여 본문 태그를 분류하는 방법을 제안한다. 지금부터 본 논문에서 언급되는 ‘본문 태그’는 본문을 포함하면서 본문을 제외한 광고, 메뉴, 댓글 등의 영역을 최소로 가지는 태그로 정의한다.
- 결과적으로 한 블로그 HTML 문서에서 최종 모델을 이용하여 본문 태그를 추출하는 과정은 다음과 같다. 본문을 추출하고자 하는 블로그 HTML 문서에서 25개의 특징을 추출하여 특징 벡터를 구성한다. 특징 벡터를 앙상블의 결과로 얻은 최종 본문 태그 분류 모델에 넣어 모든 태그들의 본문 태그일 확률과 본문 태그가 아닐 확률을 얻는다.
- 또한 기존 기법과의 성능 비교를 위해 직접 수집한 데이터를 이용하여 비교 실험을 해보았다. 비교 실험에서는 L3S 연구소가 제안한 본문 추출 방법[8, 9]의 태그 특징을 본문을 포함하면서 광고, 메뉴, 댓글 등의 영역을 최소로 가지는 태그를 본문 태그로 정의한 본 논문의 목적에 맞게 약간 변형하여 사용하였다. 기존 기법에서 착안한 태그 특징은 다음과 같이 정의하였다.
- 세 번째로, 제안한 기법의 마지막 과정인 본문 태그일 확률이 가장 높은 k개의 태그들에서 깊이가 가장 큰 태그를 찾아내는 과정을 좀 더 발전시키고자 한다. 깊이 특징은 각 태그들의 구조적 연관성에서 나온 특징이기 때문에 단순히 깊이가 가장 큰 태그를 본문 태그로 예측하기 보다는 k개의 태그들을 다시 트리 구조로 표현하여 이를 통해서 태그 깊이에 대한 정밀한 탐색을 하는 것이 더 정확한 본문 태그를 찾을 것으로 예상된다.
- 크롤러(Crawler)를 이용하거나 사용자가 직접 수집하여 학습에 필요한 블로그 HTML 문서를 얻는다. 수집한 블로그 HTML에서 본문 태그가 될 수 있는 태그를 표시한 뒤 학습에 불필요한 부분을 제거하는 전처리를 한다. 그 다음으로 한 블로그 HTML문서를 하나의 트리 구조로 분석하여 각 태그에 대해 부모 태그의 개수, 22개의 특정 태그에 포함되는 자식 태그의 개수, 텍스트 밀도 특징 그리고 본문 제목과의 연관성 특징의 총 25개 특징을 추출하여 각 태그마다 특징 벡터를 구성한다.
- 본 논문에서 실험한 결과, 태그의 깊이가 본문 태그를 찾는데 중요한 역할을 할 수 있음을 알아내었다. 이에 따라 본 논문은 기계학습의 결과로 본문 태그일 확률을 구한 뒤 깊이 특징을 이용한 후처리를 통해 더 정밀하게 본문을 추출하였다.
- 이와 같은 HTML태그의 특성을 이용하여 직접 수집한 224개의 블로그 문서의 본문 태그들에 this=“main_content” 속성을 추가하였다.
- 그 다음으로 한 블로그 HTML문서를 하나의 트리 구조로 분석하여 각 태그에 대해 부모 태그의 개수, 22개의 특정 태그에 포함되는 자식 태그의 개수, 텍스트 밀도 특징 그리고 본문 제목과의 연관성 특징의 총 25개 특징을 추출하여 각 태그마다 특징 벡터를 구성한다. 추출한 특징 벡터를 입력으로 로지스틱 회귀 기법을 이용해 한 블로그마다 하나의 본문 태그 분류 모델을 학습한다. 학습한 모든 본문 태그 분류모델에서 얻은 본문 태그일 확률의 평균값을 구하는 확률적 보팅을 하여 앙상블을 한다[14, 15].
- 학습한 본문 태그 분류 모델의 성능을 평가하기 위해 67개의 테스트 문서에서 각 블로그의 주제(여행 후기, 맛집, 아이폰7, 삼성 노트7, 데이터마이닝, mongodb, hiv, spark, hadoop)별로 태그 분류의 정확도(accuracy)를 계산했고 이를 Table 2에 나타내었다. 이때 정확도는 앙상블한 모델이 본문 태그 후보군으로 분류(예측)한 태그들 중에서 올바르게 분류된 태그들의 비율을 의미한다.
대상 데이터
- 2에서 [div(article)] 태그의 부모 태그 개수는 1 ([body])이고 자식 태그 개수는 4([div(content)], [a], [a], [a], [p])이다. 본 연구는 블로그 HTML에 자주 사용되는 22개의 태그인 [div], [span], [a], [b], [br], [font], [h1], [h2], [h3], [h4], [h5], [h6], [img], [li], [ul], [ol], [p], [pre], [q], [table], [tr], [td]에 속하는 것만 자식 태그의 개수에 포함시켰다.
- 본 연구에서는 여행 후기, 맛집, 아이폰7, 삼성 노트7, 데이터마이닝, mongodb, hiv, spark, hadoop와 같은 일반적인 주제의 224개의 블로그 HTML을 직접 수집하여 실험 데이터로 사용하였다. 웹문서 개발 과정에서 본문 영역은 다양한 이유로 한 개 이상의 태그로 감싸지기 때문에 한 블로그 당 본문 태그를 1～4개 사이로 정하였다.
- 전처리 한 224개 블로그 HTML 문서를 7:3의 비율로 나누어 각기 학습 데이터와 테스트 데이터로 사용하였다. 각 문서 개수, 태그 개수, 본문 태그 개수와 그 외 태그 개수를 Table 1에 나타내었다.
이론/모형
- 기존의 다양한 연구가 웹 페이지의 본문을 추출하기 위해 기계학습을 사용한다[8-10]. 이러한 연구들에서 기계학습의 입력 특징(feature)을 정의하기 위해 보편적으로 이용하는 것이 웹 페이지의 HTML 태그의 글자 수와 하이퍼링크(hyperlink) 그리고 문서 객체 모델(DOM, Document Object Model)이다.
성능/효과
- 990이고 본문 태그를 정확하게 찾아낸 문서의 비율은 80. 5%으로 측정되어 제안한 본문 추출 기법이 복잡하고 변동이 심한 블로그 문서에 대하여 매우 효과적임을 확인하였다.
- 결과적으로 본 논문에서 제안한 모델의 정확도가 기존 기법과 기존 기법의 변형과 비교하여 각각 0.024, 0.013 정도 높게 나와서 더 세밀하게 본문 태그를 분류한 것을 확인하였다. 또한 본문 태그를 찾아낸 비율은 기존 기법과 기존기법의 변형과 비교하여 매우 높게 나타났기 때문에 제안기법의 본문 추출 프로세스에 제안 기법에서 정의한 25개의 태그 특징이 매우 적절하게 적용된 것을 알 수 있었다.
- 또한, 제안 기법은 모델의 학습에서도 깊이 특징을 사용했기 때문에 이를 기본 기법과 비교하기 위해 기존 기법의 단어 밀도 특징, 링크 밀도과 함께 깊이 특징을 입력 특징으로 추가하여 모델 학습의 입력으로 넣어주는 변형된 기존기법에 대해서도 실험하였다. 그 결과 변형된 기존 기법이 전체 테스트 문서에서 태그 분류 정확도가 0. 977로 나왔고 각 블로그 주제에 대한 정확도를 Table 2에 기존 기법의 변형으로 나타냈다.
- 013 정도 높게 나와서 더 세밀하게 본문 태그를 분류한 것을 확인하였다. 또한 본문 태그를 찾아낸 비율은 기존 기법과 기존기법의 변형과 비교하여 매우 높게 나타났기 때문에 제안기법의 본문 추출 프로세스에 제안 기법에서 정의한 25개의 태그 특징이 매우 적절하게 적용된 것을 알 수 있었다.
- 마지막으로, 블로그 문서의 본문뿐만 아니라 더 나아가서 블로그 댓글에서 주요 정보를 추출하는 것을 생각할 수 있다. 블로그 문서의 댓글에서는 본문에서 추출할 수 없었던 해당 블로그의 관리자가 아닌 네티즌들의 의견을 수집할 수 있기 때문에 오피니언마이닝에 더욱 유용하게 사용할 수 있을 것이다.
- 그러나 [10]은 트리 구조에서 가장 일반적으로 생각할 수 있는 깊이 특징을 고려하지 않았다. 본 논문에서 실험한 결과, 태그의 깊이가 본문 태그를 찾는데 중요한 역할을 할 수 있음을 알아내었다. 이에 따라 본 논문은 기계학습의 결과로 본문 태그일 확률을 구한 뒤 깊이 특징을 이용한 후처리를 통해 더 정밀하게 본문을 추출하였다.
- 실험 결과 전체 테스트 문서에서 태그 분류 정확도는 평균 0. 990이고 본문 태그를 정확하게 찾아낸 문서의 비율은 80.
- 이렇게 얻어진 태그 특징을 본 논문에서 소개한 본문 태그 분류 모델의 입력으로 모델을 학습한 결과 기존 기법이 전체 테스트 문서에서 태그 분류 정확도가 0. 976로 나왔고 각 블로그 주제에 대한 정확도를 Table 2에 기존 기법으로 나타냈다.
- 5%로 나오지만 중간 단계인 앙상블 모델의 분류 결과는 정밀도(precision)와 재현율(recall)이 낮게 나온다. 이를 높이기 위해 본문 태그를 문서 당 하나로 제한하는 것이 효과가 있을 것으로 생각된다. 본 논문에서는 본문 태그를 본문을 포함하면서 댓글, 메뉴, 광고 등 본문이 아닌 영역을 최소로 가진 태그로 정의하여 한 문서 당 1~4개의 태그를 본문 태그로 정하였다.
- 이에 본 논문은 소셜 네트워크 데이터 중에서도 태그 구조가 복잡하고 변동이 심한 블로그 문서로부터 본문을 추출하는 방법을 제안하였다. 주목할 점은 블로그 HTML의 구조적 태그 특징과 함께 텍스트 밀도, 본문 제목과의 연관성과 같은 특징을 기계학습에 적용한 뒤 깊이 특징을 이용하여 본문영역을 정확히 추출할 수 있다는 것이다.
- 본문을 추출하고자 하는 블로그 HTML 문서에서 25개의 특징을 추출하여 특징 벡터를 구성한다. 특징 벡터를 앙상블의 결과로 얻은 최종 본문 태그 분류 모델에 넣어 모든 태그들의 본문 태그일 확률과 본문 태그가 아닐 확률을 얻는다. 이때, 한 태그가 본문 태그일 확률이 아닐 확률보다 높으면 그 태그는 1차적으로 본문 태그 후보군에 들어간다.
후속연구
- 네 번째로, 블로그 HTML 문서에서 본문 태그 모델을 학습할 때 블로그의 주제와 관련된 특징을 정의하여 활용할 수 있다. 각 주제마다 블로그 웹 페이지의 구조나 본문의 위치 등이 다를 수 있고 본문은 블로그 주제와 관련된 단어를 많이 포함할 수 있기 때문에 주제 관련 특징을 정의하는 것도 의미 있는 연구가 될 수 있다.
- 본 논문에서 제시하는 본문 태그 분류 모델은 태그가 가지는 구조적 특징, 텍스트 밀도 특징과 본문 제목과의 연관성 특징 등 25개의 특징을 정의하여 해당 모델의 입력 특징으로 사용하였다. 그러나 입력 특징을 정의하는 과정에서 각 특징들 간의 관계와 중요도를 실험적으로 측정하여 특징 선택(feature selection)을 한다면 모델의 성능을 더 올릴 수 있을 것이다[16, 17].
- 일반적으로 광고, 메뉴, 댓글과 같은 영역보다 본문이 주제와 관련된 단어를 포함하고 있을 가능성이 크다. 따라서 본문 주제를 고려한 특징을 정의한다면 학습 성능을 더 올릴 수 있을 것이다. 본 논문에서는 글자 수, 하이퍼링크 수에 따른 특징뿐만 아니라 각 태그가 본문 제목의 단어를 얼마나 포함하는지에 따른 본문 제목과의 연관성 특징도 정의하여 학습의 성능을 높이고자 했다.
- 마지막으로, 블로그 문서의 본문뿐만 아니라 더 나아가서 블로그 댓글에서 주요 정보를 추출하는 것을 생각할 수 있다. 블로그 문서의 댓글에서는 본문에서 추출할 수 없었던 해당 블로그의 관리자가 아닌 네티즌들의 의견을 수집할 수 있기 때문에 오피니언마이닝에 더욱 유용하게 사용할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.