최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.20 no.7, 2017년, pp.1065 - 1072
이은지 (Dept. of Computer Engineering, Chosun University) , 김판구 (Dept. of Computer Engineering, Chosun University)
As smart devices and social network services (SNSs) become increasingly pervasive, individuals produce large amounts of data in real time. Accordingly, studies on unstructured data analysis are actively being conducted to solve the resultant problem of information overload and to facilitate effectiv...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
나이브 베이지안 모델의 장점과 단점은 무엇인가? | 문서 분류에 적용되는 대표적인 알고리즘은 베이지안 네트워크 모델, SVM(Support Vector Machine),KNN(K-Nearest Neighbors) 등[3]이 있다. 그 중 나이브 베이지안 모델은 단순한 모델임에 비해, 성능이 높기 때문에 많이 활용 되고 있지만, 모델의 순환 관계를 형성할 수 없어 다양한 특징(Feature)에 대한 추론이 어렵다는 단점을 가지고 있다. 하지만 문서분류의 성능 향상을 위해 다양한 특징이 선정 되어야 함에 따라 본 논문에서는 불확실성에 대한 확률이론으로 특징들의 순환 관계를 표현할 수 있는 마르코프네트워크 모델을 문서분류에 이용하고자 한다. | |
문서 분류는 무슨 기법인가? | 문서 분류는 문서 및 문서의 카테고리를 대표할 수 있는 특징들을 이용해 새로운 문서를 해당 범주로 자동 분류하는 기법이다[5]. 문서 분류에 대한 연구는 크게 특징 선택(Feature Selection)에 대한 연구와 분류 모델 학습 알고리즘에 대한 연구로 나누어져 수행 되고 있다. | |
마르코프 네트워크의 특징은 무엇인가? | 마르코프 네트워크는 확률이론과 그래프이론을 결합하여 확률분포(Probability Distribution)를 표현하고, 확률변수(Random Variable)에 대한 확률을 계산할 수 있는 모델이다[11]. 이는 순환관계를 형성할 수 없는 베이지안 네트워크의 단점을 보완한 순환그래프 형태이며, 그래프는 각 변수마다 할당된 노드를 가질 수 있다[10]. 마르코프 네트워크와 1차 논리가 결합한 형태인 마르코프 논리 네트워크는 1차 논리 간의 결합을 네트워크 형태로 나타내기 위한 모델이며, 1차 논리형식으로 표현되는 확률모델에 기반을 둔 확률적 추론을 위한 언어라 할 수 있다. |
Wikipedia, http://en.wikipedia.org/wiki/Information_overload (accessed Mar., 07, 2017).
B. Ko, D. Choi, C. Choi, J. Choi, and P. Kim, "Data Classification through Specified Building n-gram," Proceedings of the International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, pp. 171-176, 2012.
T.M. Mitchell, Machine Learning, McGraw-Hill Science/Engineering/Math, 1997. New York.
B. Ko, K. Oh, and P. Kim, “A Research for Web Documents Genre Classification Using STW,” Journal of Information Technology and Architecture, Vol. 9, No. 4, pp. 413-422, 2012.
Wikipedia, http://en.wikipedia.org/wiki/Tf%E2%80%93idf (accessed Mar., 07, 2017).
Wikipedia, http://en.wikipedia.org/wiki/Mutual_information (accessed Mar., 24, 2017).
C. Han, S. Park, and S. Lee, “A Document Classification System Using Modified ECCD and Category Weight for each Document,” Korea Information Processing Society, Vol. 19B, No. 4, pp. 237-242, 2012.
M. Richardson and P. Domingos, “Markov logic networks,” Journal Machine Learning, Vol. 62, No. 1-2, pp. 107-136, 2006.
S. Riedel and M.R. Ivan, "Collective Semantic Role Labelling with Markov Logic," Proceedings of the international Conference on Computational Natural Language Learning, pp. 193-197, 2008.
C. Choi, J. Choi, E. Lee. I. You, and P. Kim, "Probabilistic Spatio-temporal Inference for Motion Event Understanding," Neurocomputing, Vol. 122, pp. 24-32, 2013.
P. Oliveira, Probabilistic Reasoning in the Semantic Web using Markov Logic, Master's Thesis of University of Coimbra, 2009.
P. Domingos and D. Lowd, Markov Logic: An Interface Layer for Artificial Intelligence, Morgan and Claypool Publishers, San Francisco, California, 2009.
G. Song, Y. Ye, X. Du, X. Huang, and S. Bie, “Short Text Classification : A Survey,” Journal of Multimedia, Vol. 9, No. 5, pp. 635-643, 2014.
L. Meng, R. Huang, and J. Gu, "A Review of Semantic Similarity Measures in WordNet," International Journal of Hybrid Information Technology, Vol. 6, No. 1 pp. 1-12, 2013.
B. Liu, W. Hsu, and Y. Ma, "Integrating Classification and Association Rule Mining," Proceedings of Knowledge Discovery and Data Mining, pp. 80-86, 1998.
B. Siram, D. Fuhry, E. Demir, H. Ferhatosmanoglu, and M. Demirbas, "Short Text Classification in Twitter to Improve Information Filtering," Proceedings of the 33rd International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 841-842, 2010.
M. Tare, I. Gohokar, J. Sable, D. Paratwar, and R. Wajgi, “Multi-Class Tweet Categorization using Map Reduce Paradigm,” International Journal of Computer Trends and Technology, Vol. 9, No. 2, pp. 78-81, 2014.
J. Wang, G. Cong, W. Zhao, and X. Li, "Mining User Intents in Twitter : Semi-Supervised Approach to Inferring Intent Categories for Tweets," Proceeding of 29th Association for the Advancement of Artificial intelligence Conference on Artificial Intelligence, pp. 339-345, 2015.
Y. Chun, “A SNS Message Type Classification System using Language Independent Features and Dependent Features,” International Journal of Software Engineering and Its Applications, Vol. 9, No. 7, pp. 151-158, 2015.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.