[논문]국방 빅데이터/인공지능 활성화를 위한 다중메타데이터 저장소 관리시스템(MRMM) 기술 연구

신우택; 이진희; 김정우; 신동선; 이영상; 황승호

doi:10.7472/jksii.2020.21.1.169

국방 빅데이터/인공지능 활성화를 위한 다중메타데이터 저장소 관리시스템(MRMM) 기술 연구
A Research in Applying Big Data and Artificial Intelligence on Defense Metadata using Multi Repository Meta-Data Management (MRMM) 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.1, 2020년, pp.169 - 178

신우택 (Datastreams Corp.) , 이진희 (Datastreams Corp.) , 김정우 (Datastreams Corp.) , 신동선 (Datastreams Corp.) , 이영상 (Datastreams Corp.) , 황승호 (Datastreams Corp.)

초록
AI-Helper

국방부는 감소되는 부대 및 병력자원의 문제해결과 전투력 향상을 위해 4차 산업혁명 기술(빅데이터, AI)의 적극적인 도입을 추진하고 있다. 국방 정보시스템은 업무 영역 및 각군의 특수성에 맞춰 다양하게 개발되어 왔으며, 4차 산업혁명 기술을 적극 활용하기 위해서는 현재 폐쇄적으로 운용하고 있는 국방 데이터 관리체계의 개선이 필요하다. 그러나, 국방 빅데이터 및 인공지능 도입을 위해 전 정보시스템에 데이터 표준을 제정하여 활용하는 것은 보안문제, 각군 업무특성 및 대규모 체계의 표준화 어려움 등으로 제한사항이 있고, 현 국방 데이터 공유체계 제도적으로도 각 체계 상호간 연동 소요를 기반으로 체계간 연동합의를 통해 직접 연동을 통하여 데이터를 제한적으로 공유하고 있는 실정이다. 4차 산업혁명 기술을 적용한 스마트 국방을 구현하기 위해서는 국방 데이터를 공유하여 잘 활용할 수 있는 제도마련이 시급하고, 이를 기술적으로 뒷받침하기 위해 국방상호운용성 관리지침 규정에 따라 도메인 및 코드사전을 생성된 국방 전사 표준과 각 체계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방 데이터의 체계적인 표준 관리를 지원하는 다중 데이터 저장소 관리(MRMM) 기술개발이 필요하다. 본 연구에서는 스마트 국방 구현을 위해 가장 기본이 되는 국방 데이터의 도메인 및 코드사전을 생성된 국방 전사 표준과 각 체계별 표준 매핑을 관리하고, 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 다중 데이터 저장소 관리 (MRMM) 기술을 제시하고, 단어의 유사도를 통해 MRMM의 실현 방향성을 구현하였다. MRMM을 바탕으로 전군 DB의 표준화 통합을 좀 더 간편하게 하여 실효성 있는 국방 빅데이터 및 인공지능 데이터 구현환경을 제공하여, 스마트 국방 구현을 위한 막대한 국방예산 절감과 전투력 향상을 위한 전력화 소요기간의 감소를 기대할 수 있다.

Abstract ▼ AI-Helper

The reductions of troops/human resources, and improvement in combat power have made Korean Department of Defense actively adapt 4th Industrial Revolution technology (Artificial Intelligence, Big Data). The defense information system has been developed in various ways according to the task and the uniqueness of each military. In order to take full advantage of the 4th Industrial Revolution technology, it is necessary to improve the closed defense datamanagement system.However, the establishment and usage of data standards in all information systems for the utilization of defense big data and artificial intelligence has limitations due to security issues, business characteristics of each military, anddifficulty in standardizing large-scale systems. Based on the interworking requirements of each system, data sharing is limited through direct linkage through interoperability agreement between systems. In order to implement smart defense using the 4th Industrial Revolution technology, it is urgent to prepare a system that can share defense data and make good use of it. To technically support the defense, it is critical to develop Multi Repository Meta-Data Management (MRMM) that supports systematic standard management of defense data that manages enterprise standard and standard mapping for each system and promotes data interoperability through linkage between standards which obeys the Defense Interoperability Management Development Guidelines. We introduced MRMM, and implemented by using vocabulary similarity using machine learning and statistical approach. Based on MRMM, We expect to simplify the standardization integration of all military databases using artificial intelligence and bigdata. This will lead to huge reduction of defense budget while increasing combat power for implementing smart defense.

주제어

표/그림 (8)

그림 (그림 1) 표준통제형의 예시 (Figure 1) Top to bottom approach example
그림 (그림 2) 활용 매핑형 구현 flowchart (Figure 2) Implementation flowchart of bottom to top
그림 (그림 3) Fine-tuning하기 전 loss-graph (Figure 3) Loss-graph before fine-tunning
그림 (그림 4) Fine-tuning 한 후의 loss graph (Figure 4) Loss graph after Fine-tuning
그림 (그림 5) Negative Sampling과 embedded layer 추가 한 후의 loss graph (Figure 5) Loss graph after applying negative sampling, and embedding layer
그림 (그림 6) 결과 예시, 좌측의 STAT은 통계적인 방법에서 우측의 INFER은 추론적인 결과를 중 유사한 상위 5개의 단어를 보여주는 것이다. (Figure 6) Example of result that shows top 5 result, STAT refers to the statistical approach and Infer refers to inference approach
그림 (그림 7) DB한 개에서 얻은 유의미한 결과 (Figure 7) Result of single database
그림 (그림 8)다중DB에서 얻은 유의미한 결과 (Figure 8) Result of multiple databases

AI 본문요약
AI-Helper

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

문제 정의

하지만 표준화 사전의 경우, 계열사가 아닌 경우 이질적인 데이터가 존재하기 때문에, 통계적 관점 혹은 추론적 관점이던 표준화된 방향에 따라 차이가 있을 수 있다. 그래서 기업들이 몇 개월에 걸쳐 컨설턴트를 고용해 표준화된 사전이 제대로 되었는지 확인한다. 그러한 의미에서 이 연구는 여러 DB를 통합하는 표준화 작업을 도와줄 수 있을 것이라고 사료된다.
군 자원 자원관리정보체계는 표준화되어 있지 않고 대상 체계별로 군수 연동 모듈, 전사적 애플리 케이션 통합(EAI: Enterprize Application Integration) 등 다양한 연동 방식을 사용하고 있다[4]. 따라서 본 논문에서는 기업의 예를 대상으로 통합기법을 제시하여 이를 군에서 활용할 수 있는 방식을 제시하겠다.
본 논문에서는 국방 데이터의 표준화 기법향상을 통한 빅데이터, 인공지능 기술의 전략적 활용성 향상을 위해 국방상호운용성 관리지침규정에 따라 도메인 및 코드사 전을 생성된 국방 전사 표준과 각 계계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방을 위한 다중 데이터 저장소 관리 (MRMM) 기술을 제시하고, 단어의 유사도를 통해 MRMM의 실현방향성을 구현하였다. 이 기술을 국방정보 시스템에 적용할 경우 데이터 표준화율을 높이고 좀더 실효성있는 빅데이터 및 인공지능 기술개발에 기여할 것으로 기대된다.
이에 국방 데이터의 전략적 활용성을 향상시키기 위한 기반기술로 국방 도메인 및 코드사전을 생성된 국방 전사 표준과 각 계계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방을 위한 다중 데이터 저장소 관리 (MRMM) 기술의 개발이 필요하다. 본 연구에서는 MRMM을 위한 단어의 표준화를 유사도로 제공하고 개별적으로 표준화 되어있는 표준화 사전을 통합하여 단일 표준사전을 배포하는 시스템을 구축하는데 도움을 주고자 한다.
또한 각각의 메타 데이터에 존재하는 표준간 상호 관계를 정하여 조직간 또는 표준이 다른 시스템간 데이터 공유 기반 시스템의 마련이 필요하다. 이러한 필요성이 있어, 본 논문에서는 다중 데이터 저장소 관리시스템(MRMM: Multi Repository Meta-Data Management)을 제안한다. MRMM이란 업무의 특성상 발생하는 업종별 메터데이터와 개별표준을 기반으로 그룹 및 계열사 간의 표준 공유를 위한 그룹 표준을 정의하고, 그룹 표준을 기준으로 각 표준간의 매핑 또는 포함 관계를 관리하는 시스템이다.

제안 방법

왜냐하면 표준화를 하더라도 사람의 컨설팅으로 하는 것이기 때문에 분명 누락되는 것이 있을 것이라고 사료되기 때문이다. 그리하여 A사의 데이터 즉 28987건의 표준화된 용어, 3461개의 단어만 사용하여 통계적인 관점과 추론적인 관점을 분석하여 보았다. 모든 단어들을 검수하는 것이 가장 이상적이지만, 이 단어 내에는 그 고객사에 특정적으로 사용하는 단어를 확인할 수 있고 하여 단어중 임의의 표본 5%를 뽑고 그중 포괄적으로 다른 DB에서도 확인 할 수 있는 단어들을 선별하여 결과를 도출했다.
하지만 필요의 경우 윈도우 크기를 사용자가 조절할 수 있게 구현하였다. 또한 단어 유사도를 코사인 유사도를 구하여 유사한 결과를 기준으로 유사단어 랭킹을 표시할 수 있으며, 필요에 따라 유사도 랭킹의 단어를 원하는 만큼 확인할 수 있게 구현하였다.
이 연구의 중점은 표준 통제형 보다는 기존에 존재하는 데이터베이스에 정의되어있는 각 표준용어사전을 통합하고 정제하여 타기관에 배포하는 활용 매핑형을 더 중점적으로 다룰 것이다. 물론 여기서 실험한 컨셉을 바탕으로 표준 통제형 모델 또한 구축될 수 있을 것이라고 판단된다.
통계적인 방법은 말뭉치(Corpus)를 통하여 자연어 처리를 한다. 말뭉치에서 핵심을 추출하는 방법으로 다음과 같은 절차로 진행된다.
표준사전에서 용어들 역시 단어의 집합이므로, 자연어 처리의 방식을 활용하여 단어의 유사도를 판단할 수 있을 것이라 사료되어 통계 기반 기법과 추론 기반 기법을 활용하여 단어의 유사도를 판단하였다. 시소러스를 활용 한 기법의 경우, 사람의 언어는 여러 연구들이 진행되어 수 많은 유의어 사전이 존재하지만, 표준화 사전 데이터 는 대개의 기업들이 데이터를 따로 보존하기 때문에 유의어 사전 방법의 시소러스를 활용한 기법은 실험하기 어렵다고 판단하여 통계 기반 기법과 추론 기반 기법 (Machine Learning based Approach)으로 실험을 진행하였다.

대상 데이터

이러한 경우 DB들을 통합하기 전에 중복되는 단어를 제거해 TOP N을 추출할 때 중복되는 단어의 검출을 피한다. B 회사의 데이터를 통합하면 5679개의 단어이지만, 중복되는 단어 518개를 제거하면 5161개의 표준화된 단어를 가지고 실험을 진행하였다. 5.
사용한 데이터셋의 경우 자사에서 보유한 고객의 데이 터 A사와 B사의 데이터를 사용하였다. 데이터의 이질성 을 최대한 배제하기 위하여 A사와 B사의 데이터는 같은 업종(증권)으로 선택하였다. 하지만 두 데이터는 각사의 표준에 맞추어 표준화 되어 있고 같은 업종이여서 유사한 용어가 많을 것으로 판단된다.
사용한 데이터셋의 경우 자사에서 보유한 고객의 데이 터 A사와 B사의 데이터를 사용하였다. 데이터의 이질성 을 최대한 배제하기 위하여 A사와 B사의 데이터는 같은 업종(증권)으로 선택하였다.
통계적인 기법과 추론적인 기법 모두 용어의 크기가 작기 때문에 윈도우 크기를 크게 하지 않고 1로 고정하여 Interface Development for Pre and Post processor on EDISON Platform Simulation System 한국 인터넷 정보학회(21권1호) 173 실험을 진행하였다. 하지만 필요의 경우 윈도우 크기를 사용자가 조절할 수 있게 구현하였다.

이론/모형

표준사전에서 용어들 역시 단어의 집합이므로, 자연어 처리의 방식을 활용하여 단어의 유사도를 판단할 수 있을 것이라 사료되어 통계 기반 기법과 추론 기반 기법을 활용하여 단어의 유사도를 판단하였다. 시소러스를 활용 한 기법의 경우, 사람의 언어는 여러 연구들이 진행되어 수 많은 유의어 사전이 존재하지만, 표준화 사전 데이터 는 대개의 기업들이 데이터를 따로 보존하기 때문에 유의어 사전 방법의 시소러스를 활용한 기법은 실험하기 어렵다고 판단하여 통계 기반 기법과 추론 기반 기법 (Machine Learning based Approach)으로 실험을 진행하였다. 표준화 용어 사전의 추론적인 방법은 자연어 처리에 서 가장 많이 쓰이는 신경망 중 word2vec에서 제안하는 CBOW모델을 사용하였다.
이 통계적 기법을 개선 하기 위하여 상호정보량 (PMI:Pointwise Mutual Information)을 사용한다. 동시발생 행렬의 한계는 단어의 발생빈도 및 문맥과 상관 없이 윈도우 크기이내의 단어들을 수집한다.
시소러스를 활용 한 기법의 경우, 사람의 언어는 여러 연구들이 진행되어 수 많은 유의어 사전이 존재하지만, 표준화 사전 데이터 는 대개의 기업들이 데이터를 따로 보존하기 때문에 유의어 사전 방법의 시소러스를 활용한 기법은 실험하기 어렵다고 판단하여 통계 기반 기법과 추론 기반 기법 (Machine Learning based Approach)으로 실험을 진행하였다. 표준화 용어 사전의 추론적인 방법은 자연어 처리에 서 가장 많이 쓰이는 신경망 중 word2vec에서 제안하는 CBOW모델을 사용하였다. 왜냐하면 CBOW 모델이 단어 임베딩(word embedding)의 연관성(relatedness)과 유추 (analogy) 실험에서 가장 효과적으로 보여지기 때문이다 [19].

성능/효과

결과를 검증하기 위해서 5161개의 단어 모두를 검증하 는 것이 가장 이상적이지만, 임의로 단어를 선별하여 주관적인 검증을 하였다. 각 사마다 고유로 쓰는 단어들이 존재하고, 또 그것의 유사도는 물론 TOP 5를 추출할 경우 통계적 관점이나 추론적관점에서 나올 수는 있지만, 그 고유의 단어에 대한 검증자체는 불필요하기 때문이다.
단일 DB를 검수해본 결과 SELL과 NEW라는 의미의 단어가 통계 기반의 방법에서는 보이지 않지만, 동일한 뜻의 단어 SNS와 NW를 머신러닝을 활용한 기법에서는 확인할수 있었다. 즉 한 DB내의 표준화가 덜 된 단어들을 머신러닝 기법으로 확인하였고, 표준화 절차에도 도움을 줄 수 있는 것을 확인할 수 있었다.
그림 8와 같이 여러 DB를 통합하여 결과를 확인해 본 결과, 한 DB에서 찾을수 있었던 매수(SELL, SNS)를 DB 를 통합하여도 확인할 수 있었다. 또한 똑같은 의미의 다른 DB의 단어(TRSF,TRSFL)도 확인이 가능하였고 PRDT라는 A회사의 용어의 유사어로 PDNO의 B회사의 용어가 나왔는데, 이것은 표준화 작업을 다시 거쳐 더 작은단위의 단어로 쪼개서 표준화 작업을 진행해야 하는 단어도 제시되었다.
그리하여 A사의 데이터 즉 28987건의 표준화된 용어, 3461개의 단어만 사용하여 통계적인 관점과 추론적인 관점을 분석하여 보았다. 모든 단어들을 검수하는 것이 가장 이상적이지만, 이 단어 내에는 그 고객사에 특정적으로 사용하는 단어를 확인할 수 있고 하여 단어중 임의의 표본 5%를 뽑고 그중 포괄적으로 다른 DB에서도 확인 할 수 있는 단어들을 선별하여 결과를 도출했다. 그 결과 통계적인 관점에서는 똑같은 의미의 단어를 확인할 수 없었지만 머신러닝을 활용한 추론적인 관점에서는 다음과 같은 결과가 나왔다.
이 두 기법을 적용하여 word2vec을 개선한 결과(그림 5)를 보면 손실이 트레이닝 계산(training iteration)을 그림 4의 5분의 1로만 줄여도 훨씬 더 낮은 수준으로 도달하는 것을 확인할 수있고 loss 가 1.0과 1.5사이에서 수렴하는 것을 확인 할 수 있었다.
단일 DB를 검수해본 결과 SELL과 NEW라는 의미의 단어가 통계 기반의 방법에서는 보이지 않지만, 동일한 뜻의 단어 SNS와 NW를 머신러닝을 활용한 기법에서는 확인할수 있었다. 즉 한 DB내의 표준화가 덜 된 단어들을 머신러닝 기법으로 확인하였고, 표준화 절차에도 도움을 줄 수 있는 것을 확인할 수 있었다.
확인할 수 있었던 특징은, 머신러닝을 적용한 단어들은 단어의 의미가 비슷한 단어들이 많이 선별되었고 통계적인 관점의 경우, 의미보다는 형태가 비슷한 경우가 많이 보이는 것을 확인할 수 있었다. 또한 데이터가 많아지면 통계적인 관점은 같은 형태를 찾는 어려움이 있었지만, 머신러닝을 활용한 추론적인 관점은 의미적으로 유사하거나 관련성이 있는 단어를 TOP5로 잘 제시하였다.

후속연구

그래서 기업들이 몇 개월에 걸쳐 컨설턴트를 고용해 표준화된 사전이 제대로 되었는지 확인한다. 그러한 의미에서 이 연구는 여러 DB를 통합하는 표준화 작업을 도와줄 수 있을 것이라고 사료된다. 하지만, 개인정보법에 따라 여러 기업의 표준화 사전은 각 회사들의 비밀이 되어 실질적인 데이터가 부족하여 명확한 구별을 하는데 어려움이 존재하였다.
메터데이터의 많은 데이터들 중 용어영문명을 사용하 였고 필요시에는 용어영문명을 용어한글명과 매핑하여 활용할 계획이다. 영어단어의 벡터화기법(vectorization method)들은 많지만 한글의 경우 형태소 분석을 해야할 뿐만 아니라 한글로 된 자연어처리 연구가 영어에 비해 활성화 되어 있지 않아 용어영문명을 활용하여 채택하였다.
이 연구의 중점은 표준 통제형 보다는 기존에 존재하는 데이터베이스에 정의되어있는 각 표준용어사전을 통합하고 정제하여 타기관에 배포하는 활용 매핑형을 더 중점적으로 다룰 것이다. 물론 여기서 실험한 컨셉을 바탕으로 표준 통제형 모델 또한 구축될 수 있을 것이라고 판단된다.
본 논문에서는 국방 데이터의 표준화 기법향상을 통한 빅데이터, 인공지능 기술의 전략적 활용성 향상을 위해 국방상호운용성 관리지침규정에 따라 도메인 및 코드사 전을 생성된 국방 전사 표준과 각 계계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방을 위한 다중 데이터 저장소 관리 (MRMM) 기술을 제시하고, 단어의 유사도를 통해 MRMM의 실현방향성을 구현하였다. 이 기술을 국방정보 시스템에 적용할 경우 데이터 표준화율을 높이고 좀더 실효성있는 빅데이터 및 인공지능 기술개발에 기여할 것으로 기대된다.
증가하는 국방 데이터의 전략적 활용을 위해서는 데이터 통합의 요구가 해결되어야 하고 통합을 위해서는 데이터 공유체계가 필수 요소이다[8,9]. 이를 기반으로 국방에 빅데이터 기반 인공지능 기술 적용이 가능하여 실효성 있는 스마트 국방 구현이 가시화 될 것이다.
이에 국방 데이터의 전략적 활용성을 향상시키기 위한 기반기술로 국방 도메인 및 코드사전을 생성된 국방 전사 표준과 각 계계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방을 위한 다중 데이터 저장소 관리 (MRMM) 기술의 개발이 필요하다. 본 연구에서는 MRMM을 위한 단어의 표준화를 유사도로 제공하고 개별적으로 표준화 되어있는 표준화 사전을 통합하여 단일 표준사전을 배포하는 시스템을 구축하는데 도움을 주고자 한다.
향후 연구에서는 단어의 유사도로부터 더 확장하여 용어의 유사도 측면까지 확인하여 단어의 조합이 비슷한 경우 그것 또한 머신러닝의 방법으로 추출할 수 있을 것이라고 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자연어 처리란 어떤 분야인가?	자연어 처리란 자연어를 처리하는 분야, 즉 쉽게 말해 인간의 언어를 컴퓨터에게 이해시키기 위한 분야이다. 자연어 처리에서 단어의 의미를 컴퓨터에게 잘 표현하는 방법으로 시소러스를 활용한 기법, 통계 기반 기법, 추론 기반 기법이 있다[10].
	국방부에서 4차 산업혁명 기술(빅데이터, AI)의 적극적인 도입을 추진하고 있는 이유는?	국방부는 감소되는 부대 및 병력자원의 문제해결과 전투력 향상을 위해 4차 산업혁명 기술(빅데이터, AI)의 적극적인 도입을 추진하고 있다. 국방 정보시스템은 업무 영역 및 각군의 특수성에 맞춰 다양하게 개발되어 왔으며, 4차 산업혁명 기술을 적극 활용하기 위해서는 현재 폐쇄적으로 운용하고 있는 국방 데이터 관리체계의 개선이 필요하다.
	다중 데이터 저장소 관리 (MRMM) 기술이 국방정보 시스템에 적용될 경우 기대되는 점은?	본 논문에서는 국방 데이터의 표준화 기법향상을 통한 빅데이터, 인공지능 기술의 전략적 활용성 향상을 위해 국방상호운용성 관리지침규정에 따라 도메인 및 코드사 전을 생성된 국방 전사 표준과 각 계계별 표준 매핑을 관리하고 표준간 연계를 통하여 데이터 상호 운용성 증진을 지원하는 국방을 위한 다중 데이터 저장소 관리 (MRMM) 기술을 제시하고, 단어의 유사도를 통해 MRMM의 실현방향성을 구현하였다. 이 기술을 국방정보 시스템에 적용할 경우 데이터 표준화율을 높이고 좀더 실효성있는 빅데이터 및 인공지능 기술개발에 기여할 것으로 기대된다.

참고문헌 (19)

Seong-Woo Kim. Gak-Gyu Kim, Bong-Kyu Yoon, "A Study on a Way to Utilize Big Data Analytics in the Defense Area", Journal of the Korean Operations Research and Management Science Society, Vol. 75. No 2, pp. 1-19, June 2014. http://dx.doi.org/10.7737/JKORMS.2014.39.2.001
국경완, "4차 산업혁명 시대 인공지능을 활용한 군사적 적용방안," 합참지, 2018. 7.
산업연구원 (KIET), "미국 신정부 국방획득정책 변화 및 대응전략 연구," 연구보고서, 2018.
김영도, 이한준, 홍진기, "국방데이터공유체제 개선 방안과 추진과제," 주간국방논단, 제1631호(16-34) 2016.
국방부, "2019년 국방부 업무 보고"
국방부4차 산업혁명 스마트 국방혁신 추진단, "4차 산업 혁명과 함께 미래 국군 그린다: 4차 산업혁명 스마트 국방 혁신," 2019년 3월 15일
국방일보, "국방정보체계 유지보수 전담 '국방업무 효율화' 기여할것," URL:http://kookbang.dema.mil.kr/newsWeb/m/20181024/30/BBSMSTR_000000010026/view.do
이미영, 이상철, "국방정보체계의 상호 운용성 보장을 위한 메타데이터 표준화 구축연구", 대한산업공학회 추계학술대회 논문집, pp. 317-324, 2009.
아주대학교 장위국방연구소, "국방아키텍쳐 메타모델 표준화 구축 및 활용방안 연구", 연구보고서, 2017
齋藤康毅(사이토 고키), "밑바닥부터 시작하는 딥러닝2", 2019, 한빛미디어
Z. Harris, "Distributional structure". Word, 10(23): pp. 146-162. 1954.
D. Ayata, "Applying Machine Learning and Natural Language Processing Techniques to Twitter Sentiment Classification for Turkish and English." Thesis for M.S. degree at Bogazici University. June 2018.
K. W. Church, P. Hanks, "Word association norms, mutual information, and lexicography," Compututational linguistic Vol. 16, No. 1, pp 22-29, 1990
G. H. Golub, C. Reinsch, "Singular Value Decomposition and Least Squares Solutions,", vol. 14, pp. 403-420, 1970.

상세보기
T. Mikolov, K. Chen, G. Corrado, J. Dean, "Efficient estimation of word representations in vector space,." arXiv prepreint arXiv:1301.3781, 2013.
J. Pennington, R. Socher, C. Manning, "GloVe: Global Vectors for Word Representation," Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Doha, Quatar, pp. 1532-1543, Oct. 2014.
T. Mikolov, I. Sutskever, K. Chen, G. Corrado, J. Dean, "Distributed Representation of Words and Phrases and their Compositionality" Advances in neural information processing systems, Vol. 26, 2013.
행정자치부, "공공기관의 데이터베이스 표준화 지침," 행정자치부고시 제2015-26호, 2015.
T. Schnabel, I. Labutov, D. Mimno, T. Joachims, "Evaluation methods for unsupervised word embeddings," Proceeding of the 2015 Conference on Empirical Methods in Natural Language Processing, Lisbon, Portugal, pp. 298-307, 2015

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증