$\require{mediawiki-texvc}$

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.

단어 임베딩(Word Embedding) 기법을 적용한 키워드 중심의 사회적 이슈 도출 연구: 장애인 관련 뉴스 기사를 중심으로
A Study on the Deduction of Social Issues Applying Word Embedding: With an Empasis on News Articles related to the Disables 원문보기

정보관리학회지 = Journal of the Korean society for information management, v.35 no.1 = no.107, 2018년, pp.231 - 250  

최가람 (경기대학교 일반대학원 문헌정보학과) ,  최성필 (경기대학교 문헌정보학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 온라인 뉴스 기사에서 자동으로 추출된 키워드 집합을 활용하여 특정 시점에서의 세부 주제별 토픽을 추출하고 정형화하는 새로운 방법론을 제시한다. 이를 위해서, 우선 다량의 텍스트 집합에 존재하는 개별 단어들의 중요도를 측정할 수 있는 복수의 통계적 가중치 모델들에 대한 비교 실험을 통해 TF-IDF 모델을 선정하였고 이를 활용하여 주요 키워드 집합을 추출하였다. 또한 추출된 키워드들 간의 의미적 연관성을 효과적으로 계산하기 위해서 별도로 수집된 약 1,000,000건 규모의 뉴스 기사를 활용하여 단어 임베딩 벡터 집합을 구성하였다. 추출된 개별 키워드들은 임베딩 벡터 형태로 수치화되고 K-평균 알고리즘을 통해 클러스터링 된다. 최종적으로 도출된 각각의 키워드 군집에 대한 정성적인 심층 분석 결과, 대부분의 군집들이 레이블을 쉽게 부여할 수 있을 정도로 충분한 의미적 집중성을 가진 토픽들로 평가되었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a new methodology for extracting and formalizing subjective topics at a specific time using a set of keywords extracted automatically from online news articles. To do this, we first extracted a set of keywords by applying TF-IDF methods selected by a series of comparative e...

주제어

#키워드 추출   #클러스터링   #토픽 모델링   #단어 임베딩  

참고문헌 (19)

  1. 김성진, 김건우, 이동호 (2017). 딥러닝 기반의 뉴스 분석을 활용한 주제별 최신 연관단어 추출 기법. 한국정보처리학회 2017년 춘계학술발표대회 논문집, 873-876. Kim, Sung-Jin, Kim, Gun-Woo, & Lee, Dong-Ho (2017). A topic related word extraction method using deep learning based news analysis. The Journal of Korea information Processing Society, 873-876. 

  2. 김우생, 김수영 (2014). 주성분 분석과 k 평균 알고리즘을 이용한 문서군집 방법. 한국정보통신학회논문지, 18(3), 625-630. http://dx.doi.org/10.6109/jkiice.2014.18.3.625 Kim, Woosaeng, & Kim, Sooyoung (2014). Document clustering technique by k-means algorithm and PCA. Journal of the Korea Institute of Information and Communication Engineering, 18(3), 625-630. http://dx.doi.org/10.6109/jkiice.2014.18.3.625 

    원문보기 상세보기

  3. 김일환, 이도길 (2011). 대규모 신문 기사의 자동 키워드 추출과 분석. 한국어학, 53, 145-194. Kim, Illhwan, & Lee, Do-Gill (2011). Automatic keyword extraction and analysis from the large scale newspaper corpus based on t-score. Korean Linguistics, 53, 145-194. 

  4. 신동혁, 안광규, 최성춘, 최형기 (2016). K-평균 클러스터링을 이용한 네트워크 유해트래픽 탐지. 한국통신학회논문지, 41(2), 277-284. http://dx.doi.org/10.7840/kics.2016.41.2.277 Shin, Dong Hyuk, An, Kwang Kue, Choi, Sung Chune, & Choi, Hyoung-Kee (2016). Malicious traffic detection using k-means. The Journal of Korean Institute of Communications and Information Sciences, 41(2), 277-284. http://dx.doi.org/10.7840/kics.2016.41.2.277 

    원문보기 상세보기

  5. 안희정, 최건희, 김승훈 (2015). 키워드 가중치 방식에 근거한 도서 본문 주제어 추출. 한국컴퓨터정보학회 학술발표논문집, 23(1), 19-22. Ahn, Hee-Jeong, Choi, Gun-Hee, & Kim, Seung-Hoon (2015). Thematic word extraction from book based on keyword weighting method. The Journal of Korean Society of Computer and Information, 23(1), 19-22. 

  6. 이성직, 김한준 (2009). TF-IDF 의 변형을 이용한 전자뉴스에서의 키워드 추출 기법. 한국전자거래학회지, 14(4), 59-73. Lee, Sung-Jick, & Kim, Han-Joon (2009). Keyword extraction from news corpus using modified TF-IDF. The Journal of Society for e-Business Studies, 14(4): 59-73. 

    원문보기 상세보기

  7. 정다미, 김재석, 김기남, 허종욱, 온병원, 강미정 (2013). 사회문제 해결형 기술수요 발굴을 위한 키워드 추출 시스템 제안. 지능정보연구, 19(3), 1-23. http://dx.doi.org/10.13088/jiis.2013.19.3.001 Jeong, Dami, Kim, Jaeseok, Kim, Gi-nam, Heo, Jong-Uk, On, Byung-Won, & Kang, Mijung (2013). A proposal of a keyword extraction system for detecting social issues. Journal of Intelligence and Information Systems, 19(3), 1-23. http://dx.doi.org/10.13088/jiis.2013.19.3.001 

    원문보기 상세보기

  8. 조태민, 이지형 (2015). LDA 모델을 이용한 잠재 키워드 추출. 한국지능시스템학회 논문지, 25(2), 180-185. http://dx.doi.org/10.5391/JKIIS.2015.25.2.180 Cho, Taemin, & Lee, Jee-Hyong (2015). Latent keyphrase extraction using LDA model. Journal of Korean Institute of Intelligent Systems, 25(2), 180-185. http://dx.doi.org/10.5391/JKIIS.2015.25.2.180 

    원문보기 상세보기

  9. 한국정보화진흥원 (2015). 2015 정보격차 실태조사. 서울: 미래창조과학부. National Information Society Agency (2015). 2015 The report on the digital divide. Seoul: Ministry of Science, ICT and Future Planning. 

  10. Beliga, S., Mestrovic, A., & Martincic-Ipsic, S. (2015). An overview of graph-based keyword extraction methods and approaches. Journal of Information and Organizational Sciences, 39(1), 1-20. 

    상세보기

  11. Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77-84. http://dx.doi.org/10.1145/2133806.2133826 

    상세보기 crossref

  12. Harris, Z. S. (1954). Distributional structure. Word, 10(2-3), 146-162. http://dx.doi.org/10.1080/00437956.1954.11659520 

    crossref

  13. KoNLPy. Retrieved from http://konlpy.org/en/v0.4.4/ 

  14. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. International Conference on Learning Representation 2013. 

  15. Mikolov, T., Yih, W. T., & Zweig, G. (2013). Linguistic regularities in continuous space word representations. NAACL-HLT, 746-751. 

  16. Rong, X. (2014). Word2vec parameter learning explained. arXiv preprint arXiv:1411.2738. 

  17. Sklearn.cluster.KMeans. Retrieved from http://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html#sklearn.cluster.KMeans 

  18. Tensorflow Motivation: Why learn word embeddings? (2018). Retrieved from https://www.tensorflow.org/tutorials/word2vec 

  19. Word2vec. Retrieved from https://code.google.com/archive/p/word2vec/ 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

유발과제정보 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