최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.19 no.10, 2019년, pp.620 - 629
허강호 ((주)바론) , 양진우 ((주)바론) , 김동현 ((주)바론) , 복경수 (원광대학교 SW융합학과) , 유재수 (충북대학교 정보통신공학부)
An automated minutes summary system is required to objectively summarize and classify the contents of discussions or discussions for decision making. This paper designs and implements a minutes summary system using word2vec model to complement the existing minutes summary system. The proposed system...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
문서를 자동 분류하는 방법에는 무엇이 있는가? | 일반적으로 문서를 자동 분류하는 방법은 이미 분류되어 있는 문서들로부터 문서 내에 나타나는 단어의 출현 횟수나 분포, 확률 등을 이용하는 통계적인 방법[5]과 자연어 처리를 통하여 문서 내에 있는 문장의 의미(semantic)나 구문(syntactic)을 분석하는 의미 분석 방법[6]이 있다. 보다 정확한 문장의 분류를 위해서는 자연어 처리를 통하여 문서의 내용을 파악하는 것이 바람직 하지만 자연어 자체의 모호성 때문에 문장의 의미 분석이 매우 어려워 의미 분석 방법은 한정된 영역에서 사용하기에 적합하다[7]. | |
자연 언어란 무엇인가? | 자연 언어는 사람들이 생활 속에서 사용하는 언어를 의미한다. 회의록의 경우 국문, 영문 등 인간의 언어인 자연형태로 구성되어 있다. | |
기존 회의록 요약 방법인 통계적 정보를 이용한 방법의 문제점은 무엇인가? | 기존 회의록 요약 방법으로는 문서에서 불필요한 단어들을 제거한 압축된 문장들만을 이용하여 각 문장에 포함된 단어들의 통계적 정보를 이용한 방법이 있다. 이러한 방법들은 문장을 간결하게 만든 후 요약 정보를 생성하기 때문에 불필요한 단어들이 요약문에 포함되는 것을 방지할 수 있지만 유사 단어를 고려를 하지 못하는 문제점이 있다. 그로 인해 문장들 간의 유사도 역시 고려할 수 없어 여러 의견을 유사한 의견으로 분류하는데 어려움이 있었다. |
H. Liu, X. Wang, Y. Wei, W. Shao, J. Liono, F. D. Salim, B. Deng, and J. Du, "ProMETheus: An Intelligent Mobile Voice Meeting Minutes System," Proc. International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services, pp.392-401, 2018.
H. Miura, Y. Takegawa, A. Terai, and K. Hirata, "Interactive Minutes Generation System Based on Hierarchical Discussion Structure," Proc. IEEE/WIC/ACM International Conference on Web Intelligence, pp.459-465, 2018.
Z. Zhao, H. Pan, C. Fan, Y. Liu, L. Li, and M. Yang, "Abstractive Meeting Summarization via Hierarchical Adaptive Segmental Network Learning," Proc. The World Wide Web Conference, pp.3455-3461, 2019.
T. Huang, C. Hsieh, and H. Wang, "Automatic meeting summarization and topic detection system," Data Technologies and Applications, Vol.52, No.3, pp.351-365, 2018.
이병수, 어휘의 동시 발생 빈도와 분포를 이용한 다중주제 회의록 요약, 성균관대학교, 석사학위논문, 2015.
김선공, word2vec모델과 RNN을 이용한 영화 리뷰의 감성분석, 동국대학교, 석사학위논문, 2016.
노현아, 단어 빈도 가중치를 이용한 자동 문서 분류, 전남대학교, 석사학위논문, 2013.
백민지, word2vec모델 학습을 통한 의미 기반 해외 유사 특허 검색 방안, 국민대학교, 석사학위논문, 2017.
김정미, 이주홍, "word2vec모델을 활용한 RNN기반의 문서 분류에 관한 연구," 한국지능시스템학회 논문지, 제27권, 제6호, pp.560-565, 2017.
Y. kim, "Convolutional Neural Network for Sentence Classification," Proc. Conference on Empirical Method in National Language Processing, pp.1746-1751, 2014.
T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, and J. Dean, "Distributed Representations of Words and Phrases and their Compositionality," Proc. Annual Conference on Neural Information Processing Systems, pp.3111-3119, 2013.
김성민, 단어 벡터화를 통한 특징 단어 기반 문서 관련성 분석 방법 영화 스크립트 비교를 중심으로, 건국대학교, 석사학위논문, 2016.
G. Yoav and O. Levy, "word2vec Explained: deriving Mikolov etal's negative-sampling word-embedding method," CoRR abs/1402.3722, 2014.
T. Mikolov, K. Chen, G. Corrado, and J. Dean, "Efficient Estimation of Word Representations in Vector Space," Proc. International Conference on Learning Representations Workshop, 2013.
Python 형태소 분석기 Konlpy, http://konlpy-ko.readthedocs.io/ko/v0.43/api/konlpy.tag/
word2vec 모델, https://radimrehurek.com/gensim/models/word2vec.html
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.