[논문]다이나믹 토픽 모델을 활용한 D(Data)·N(Network)·A(A.I) 중심의 연구동향 분석

우창우; 이종연

doi:10.15207/jkcs.2020.11.9.021

[국내논문] 다이나믹 토픽 모델을 활용한 D(Data)·N(Network)·A(A.I) 중심의 연구동향 분석
Investigation of Research Trends in the D(Data)·N(Network)·A(A.I) Field Using the Dynamic Topic Model 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.9, 2020년, pp.21 - 29

우창우 (충북대학교 컴퓨터과학과 및 정보통신기획평가원 SW클라우드기획팀) , 이종연 (충북대학교 소프트웨어학과)

초록
AI-Helper

최근 디지털 사회의 도래로 다양한 데이터가 폭발적으로 증가하고, 그중 문헌 내 주제어를 도출하는 토픽 모델링에 관한 연구가 활발히 진행되고 있다. 본 논문의 연구목표는 토픽 모델링 방법 중 하나인 DTM(Dynamic Topic Model) 모델을 적용해 D.N.A.(Data, Network, A.I) 분야에 대한 연구동향을 탐색하는데 있다. 실험 데이터는 최근 6년간(2015~2020) ICT(Information and Communication Technology) 분야 중 기술대분류가 SW·AI에 해당하는 연구과제 1,519개 사업에 대해 DTM 모델을 적용하였다. 실험결과로, D.N.A. 분야의 기술 키워드 Big data, Cloud, Artificial Intelligence와 확장된 의미의 기술 키워드 Unstructured, Edge Computing, Learning, Recognition 등이 매년 연구에 표출되었으며, 해당 키워드 들이 특정 연구과제에 종속되지 않고 다른 연구과제에서도 포괄적으로 연구되고 있음을 확인하였다. 끝으로 본 논문의 연구결과는 향후 D.N.A. 분야에 대한 정책기획·과제기획 등 연구개발 기획 과정과 기업의 기술 확보전략·마케팅 전략 등 다양한 곳에 활용될 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

The Topic Modeling research, the methodology for deduction keyword within literature, has become active with the explosion of data from digital society transition. The research objective is to investigate research trends in D.N.A.(Data, Network, Artificial Intelligence) field using DTM(Dynamic Topic Model). DTM model was applied to the 1,519 of research projects with SW·A.I technology classifications among ICT(Information and Communication Technology) field projects between 6 years(2015~2020). As a result, technology keyword for D.N.A. field; Big data, Cloud, Artificial Intelligence, extended keyword; Unstructured, Edge Computing, Learning, Recognition was appeared every year, and accordingly that the above technology is being researched inclusively from other projects can be inferred. Finally, it is expected that the result from this paper become useful for future policy·R&D planning and corporation's technology·marketing strategy.

Keyword

표/그림 (7)

표 Table 1. Number of National ICT R&D from IITP
그림 Fig. 1. Data Preprocessing Steps
표 Table 2. Some impressive articles based on LDA
그림 Fig. 2. Generative Process of Dynamic Topic Model (for three time slices)
그림 Fig. 3. Analysis Processing Steps
표 Table 3. Dynamic Topic Model Results of National ICT R&D between 2015 and 2020
그림 Fig. 4. Comparison of DTM Keywords with LDA Keywords between 2015 and 2020

AI 본문요약
AI-Helper

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

문제 정의

위와 관련되어 연구동향을 파악하기 위한 데이터 분석 방법은 통계적 분석, 정량적 분석, 전문가 토의 및 설문조사 등 연구목적과 방법에 따라 다양하게 선택할 수 있지만 본 연구에서는 전체 문서집합을 대상으로 텍스트 분석과 통계적 분석을 적용한 토픽 모델링(Topic Modeling) 방법으로 분석하고자 하였다. 토픽 모델링은 개별 문서에서 내포하고 있는 단어의 확률적인 계산을 통해 전체 문서가 의미하는 토픽을 발견하는 데이터마이닝 기법 중 하나로, 대표적인 LDA(Latent Dirichlet Allocation) 모델[4] 외에 DTM(Dynamic Topic Model) 모델[5], ATM(Author Topic Model) 모델[6], PAM(Pachinko Allocation Model) 모델[7], TOT(Topics Over Time) 모델[8] 등 수십여 개의 파생된 모델이 제시되었다[9].
따라서 본 논문에서는 D.N.A. 분야에 대한 연구동향 파악을 위해 국내 연구개발 활동을 지원하는 ICT분야 국가연구개발사업 과제정보 데이터에 시계열 분석이 가능한 DTM 모델을 적용하는데 연구목표를 둔다. 세부적인 연구방법은 다음과 같다.
이는 20년, 30년 등 더 긴 시점을 갖는 데이터를 DTM 모델과 LDA 모델로 분석하였을 때 시간의 흐름에 따른 토픽의 변화로 인해 두 모델이 완전히 다른 키워드를 반환할 수 있다는 점을 시사하고 있으며, 본 연구는 연구목적에 맞는 D.N.A. 분야의 연구동향 분석을 위해 DTM 모델이 적합하다고 판단하였다.
본 논문은 최근 6년간 수행된 SWㆍAI 분야의 연구과제 데이터 분석을 통해 D.N.A. 분야의 연구동향을 도출 하였다. 실험결과 2015년과 2016년은 데이터와 네트워크 분야의 연구가 활발하게 진행되었으며, 2017년 이후부터는 인공지능에 관한 연구가 활발하게 진행되었음을 확인하였다.

제안 방법

첫째, 실험 데이터로 과기정통부 ICT분야 국가연구개발사업을 전담하고 있는 정보통신기획평가원에서 최근 6년간(2015∼2020) 수행된 전체 과제정보 데이터를 확보하였다. 둘째, 확보된 데이터에 대해 ICT기술대분류를 기준으로 D.N.A. 분야에 적합하다고 판단되는 SWㆍAI 분야를 선택하였고, 특수문자 제거 및 불용어 제거 등 데이터 전처리를 수행하였다. 셋째, 토픽 모델링 방법 중 시계열 분석이 가능한 Dynamic Topic Model 방법을 적용해 D.
분야에 적합하다고 판단되는 SWㆍAI 분야를 선택하였고, 특수문자 제거 및 불용어 제거 등 데이터 전처리를 수행하였다. 셋째, 토픽 모델링 방법 중 시계열 분석이 가능한 Dynamic Topic Model 방법을 적용해 D.N.A. 분야에 대한 연구 동향을 도출하였다. 넷째, DTM 모델 결과에 대한 해석과 함께 LDA 모델에도 동일한 데이터셋을 적용해 DTM 모델과 LDA 모델간의 차이를 비교하였다.
분야에 대한 연구 동향을 도출하였다. 넷째, DTM 모델 결과에 대한 해석과 함께 LDA 모델에도 동일한 데이터셋을 적용해 DTM 모델과 LDA 모델간의 차이를 비교하였다.
둘째, 기술 중심의 키워드가 아닌 ‘ICT R&D’, ‘Development’, ‘Consulting’ 등 연구동향 분석에 영향을 미치지 않는 키워드는 불용어로 판단해 제거하였다.
셋째, 축약어 및 띄워쓰기로 인해 다른 의미로 인식되는 단어 ‘App/Application’, ‘AI/Artificial Intelligence’, ‘Bigdata/Big data’ 등은 동일한 의미를 가질 수 있게 변환하였으며, 마지막으로 연구과제 당 키워드 개수가 상이함으로 인해 5개를 초과하거나 크게 미달하는 연구과제는 모두 제거하였다. 위의 전처리 과정을 거쳐 최종 943개의 연구과제에 대해 4,634개의 영문키워드를 확보하였으며, 이를 중심으로 DTM 모델을 적용해 D.N.A 분야 연구동향 분석을 수행하였다(Fig. 1 참고).
앞서 전처리가 완료된 943개의 ICT분야 국가연구개발사업 연구과제 데이터에 대해 토픽 모델링 방법 중 하나인 DTM 모델을 적용해 5,000번의 학습을 통해 2015년∼2020년 각 연도별 연구토픽 10개와 토픽별 상위 20개 키워드 총 1,200개 키워드를 도출하였고, 토픽별 상위 2개 키워드 선택 및 중복키워드 제거를 통해 최종 연도별 상위 10개의 키워드를 선별해 연구동향을 탐색하였다(Fig. 3 참고).
구체적인 결과의 해석을 위해 확장된 의미에서 D.N.A. 분야에 포함된다고 판단한 Unstructured, Edge Computing, Learning, Recognition 등 키워드는 음영처리를 하였으며, D.N.A. 분야에 대한 키워드가 정확하게 일치하는 Big data, Cloud, Artificial Intelligence 키워드에는 음영처리와 함께 추가로 표기(★) 하였다.
더불어 위 실험과 동일한 데이터 및 전처리 방법을 적용해 LDA 모델과의 비교를 위한 추가 실험을 진행하였다. LDA 모델의 토픽 수는 위 실험 모델의 기간(2015∼2020)과 동일하게 6개로 설정하였으며 키워드 또한 기존 실험과 비교 될 수 있게 상위 10개의 키워드를 선택 하였다.
LDA 모델의 토픽 수는 위 실험 모델의 기간(2015∼2020)과 동일하게 6개로 설정하였으며 키워드 또한 기존 실험과 비교 될 수 있게 상위 10개의 키워드를 선택 하였다. 위 과정을 통해 도출한 LDA 모델의 키워드와 기존 실험을 통해 얻은 DTM 모델의 키워드를 중심으로 Fig. 4와 같이 키워드간 상호비교를 진행하였다.
DTM 모델의 결과 값이 전체 연도에 해당하는 연도별 토픽 K개와 그에 해당하는 키워드 N개를(Year× K× N) 반환하기 때문에 토픽을 해석하는 방법에 따라 결과가 크게 변할 수 있음을 밝힌다. 본 연구에서는 일정 개수의 토픽을 유지하고 상위 키워드를 선택하는 방법으로 해석하였지만, 연구방법에 따라 토픽의 개수를 최소로 줄이거나 직관적으로 키워드를 제거하는 등 다양한 방법으로 해석할 수 있다. 이러한 점은 모든 토픽 모델링의 결과가 토픽과 키워드로 반환되기 때문에 사용자 관점의 2차 해석이 필요하다는 특징을 갖는다.

대상 데이터

첫째, 실험 데이터로 과기정통부 ICT분야 국가연구개발사업을 전담하고 있는 정보통신기획평가원에서 최근 6년간(2015∼2020) 수행된 전체 과제정보 데이터를 확보하였다.
D.N.A. 분야의 연구동향 분석을 위해 과기정통부의 ICT분야 국가연구개발사업을 전담하고 있는 정보통신기획평가원에서 최근 6년간(2015∼2020) 지원한 연구과제 데이터 6,576개를 확보하였다.
수집된 데이터는 ICT 분야 기술분류체계에 따라 6가지(통신ㆍ전파, SWㆍAI, 방송ㆍ콘텐츠, 차세대 보안, 디바이스, 블록체인ㆍ융합) 로 분류되어 있으며, 이중 ‘ICT기술대분류’를 기준으로 과제 및 내용의 주된 성격이 D.N.A. 분야에 적합하다고 판단되는 SWㆍAI 분야에 해당하는 1,519개 데이터를 선택하였다(Table 1 참고).
수집한 데이터는 124개의 속성을 제공하고 있지만, 연구동향 분석에 불필요하다고 판단되는 속성인 ‘과학기술표준분야 대ㆍ중ㆍ소ㆍ%’, ‘TRL 시작단계’, ‘주관기관명’, ‘참여기관명’, ‘사업비 지급유형’ 등의 속성을 제외한 후, ‘사업년도’, ‘한글과제명’, ‘영문과제명’, ‘영문키워드’, ‘ICT기술대분류’, ‘최종목표’ 속성을 최종적으로 선택하였다.
본 연구에서 활용한 SWㆍAI 연구과제 데이터는 기술 분류체계에 따라 D.N.A. 분야에 해당하는 빅데이터, 클라우드 컴퓨팅, 인공지능 기술 외에도 응용기반 및 특화에 관한 응용SW, 운영체제와 미들웨어에 관한 시스템 SW, 그리고 차세대 컴퓨팅 및 기반 컴퓨팅을 아우르는 컴퓨팅시스템 등 다른 기술까지 폭넓게 포함하고 있다. 연구과제가 기술분류체계 별로 균등하게 지원되지 않는다는 점과 실험을 통해 확인한 최근 6년간의 연구동향이 D.
LDA 모델의 토픽 수는 위 실험 모델의 기간(2015∼2020)과 동일하게 6개로 설정하였으며 키워드 또한 기존 실험과 비교 될 수 있게 상위 10개의 키워드를 선택 하였다.

성능/효과

첫째, 영문키워드가 영어가 아닌 한글 또는 기호 ‘-’, ‘β’ 등으로 되어있는 경우 해당 키워드를 제거하였다.
셋째, 축약어 및 띄워쓰기로 인해 다른 의미로 인식되는 단어 ‘App/Application’, ‘AI/Artificial Intelligence’, ‘Bigdata/Big data’ 등은 동일한 의미를 가질 수 있게 변환하였으며, 마지막으로 연구과제 당 키워드 개수가 상이함으로 인해 5개를 초과하거나 크게 미달하는 연구과제는 모두 제거하였다.
Table 3 과 같이 연도별로 정확하게 일치하거나 확장된 기술적 의미와 키워드를 포함하고 있는 각각 과제에 대한 최종목표 등을 검토하였을 때 2015년도 D.N.A. 분야에 관한 키워드는 총 5개로, Data 분야에 관련된 키워드로 Dashboard, Mapping, Monitoring이 빅데이터 기반의 분석도구 및 시스템 등을 개발하는 과제로 확인되었고, Network 분야에는 Cloud, RealTime OS가 클라우드 보안 및 클라우드 기반의 개방형 플랫폼 등을 개발하는 과제임을 확인하였다.
2016년도 D.N.A. 분야에 관한 키워드는 총 7개로, Data 분야에 관련된 키워드로 Big data가, Network 분야에는 Cloud, Cloud Computing, Cloud Platform, Digital Extinction, Internet of Things, RealTime IoT가 클라우드 기반의 플랫폼 및 SaaS(Software as a Service) 등을 개발하는 과제임을 확인하였다.
2018년도 D.N.A. 분야에 관한 키워드는 총 6개로, Data 분야에 관련된 키워드로 Big data, Data Preprocessing이 데이터 품질에 관한 평가방법 등을 개발하는 과제로 확인되었고, A.I 분야에는 Artificial Intelligence, Deep Learning, Learning and Inference, Natural Language Processing이 감염병 대응 시스템, 교통 관련 솔루션 등을 개발하는 과제임을 확인하였다.
마지막으로 2020년도 D.N.A. 분야에 관한 키워드는총 8개로, Data 분야에 관련된 키워드로 Big data, Data Augmentation, Database가 데이터 변형 및 증식과 In-memory 기반의 DBMS 구축 등을 개발하는 과제로 확인되었고, Network 분야에는 Edge Computing 이 초저지연/지능형 클라우드 및 엣지 클라우드 가속화 기술 등을 개발하는 과제, 그리고 A.I 분야에는 Artificial Intelligence, Deep Learning, Interactive Learning, Machine Learning이 의사결정 지원 시스템, 멀티 모달 데이터 분석 및 시맨틱 분석과 추론 등을 개발하는 과제임을 확인하였다.
분야에 해당하는 빅데이터, 클라우드 컴퓨팅, 인공지능 기술 외에도 응용기반 및 특화에 관한 응용SW, 운영체제와 미들웨어에 관한 시스템 SW, 그리고 차세대 컴퓨팅 및 기반 컴퓨팅을 아우르는 컴퓨팅시스템 등 다른 기술까지 폭넓게 포함하고 있다. 연구과제가 기술분류체계 별로 균등하게 지원되지 않는다는 점과 실험을 통해 확인한 최근 6년간의 연구동향이 D.N.A. 분야에 집중되어 있음을 볼 때 D.N.A. 분야의 기술이 다른 기술 분야의 연구과제에도 포괄적으로 연구되고 있음을 확인하였고, 해당 키워드를 포함하고 있는 각각의 연구과제에 대한 최종목표를 함께 확인한 결과 기술개발뿐만 아니라 응용SW와 서비스 등도 활발하게 개발되고 있음을 확인할 수 있었다. 특히, 인공지능 기술의 경우 Machine Learning, Deep Learning, Pattern Recognition 및 A.
분야의 기술이 다른 기술 분야의 연구과제에도 포괄적으로 연구되고 있음을 확인하였고, 해당 키워드를 포함하고 있는 각각의 연구과제에 대한 최종목표를 함께 확인한 결과 기술개발뿐만 아니라 응용SW와 서비스 등도 활발하게 개발되고 있음을 확인할 수 있었다. 특히, 인공지능 기술의 경우 Machine Learning, Deep Learning, Pattern Recognition 및 A.I Accelerator 등 시간이 지날수록 기술의 고도화와 함께 다양한 플랫폼과 서비스 등이 지속적으로 확산되고 있음을 확인할 수 있었다.
비교 결과 D.N.A. 분야에 해당하는 핵심 키워드인 Big data, Cloud, Artificial Intelligence 는 두 모델에서 모두 등장하였으며, 이 외도 Dashboard, Deep Learning, Emotion Recognition, Machine Learning, Natural Language Processing, Pattern Recognition, Platform 키워드도 공통적으로 등장하였다. 하지만, DTM 모델에서 등장한 Cloud Platform, Human AI Interaction 등 키워드는 LDA 모델에서 나타나지 않았고, LDA 모델에서 등장한 Compiler, Distributed DBMS 등 키워드 또한 DTM 모델에서 나타나지 않았다.
LDA 모델과 DTM 모델은 동일한 데이터와 절차를 통해 D.N.A. 분야의 핵심 키워드와 확장된 의미의 키워드 일부를 공통적으로 도출하였는데, 이는 DTM 모델의 기본 알고리즘이 LDA 모델을 근간으로 출발하였기 때문에 유사한 결과가 나타날 수 있었음을 확인할 수 있었다. 하지만, LDA 모델은 전체 데이터를 하나의 시점으로 관측해 주제를 도출하는 반면 DTM 모델의 경우 전체 데이터를 각각의 시점으로 분석하기 때문에 전혀 다른 키워드가 등장할 수 있었다.
분야의 연구동향을 도출 하였다. 실험결과 2015년과 2016년은 데이터와 네트워크 분야의 연구가 활발하게 진행되었으며, 2017년 이후부터는 인공지능에 관한 연구가 활발하게 진행되었음을 확인하였다.
본 연구가 주는 시사점은 다음과 같다. 첫째, D.N.A. 분야의 기술이 다른 기술 분야의 연구과제 등에도 포괄적으로 적용되어 연구되고 있음을 확인하였고, 둘째, D.N.A. 분야의 기술개발 및 고도화뿐만 아니라 관련된 응용SW 및 서비스 등도 활발하게 개발되고 있음을 확인하였다. 셋째, 전체 문서집합에 대한 연구주제를 파악하는 방법으로 대표적인 토픽 모델링 방법인 LDA 모델을 사용 할 수 있지만, 연구주제와 연구동향을 함께 파악하기 위해서는 DTM 모델이 더 적합함을 확인하였다.
분야의 기술개발 및 고도화뿐만 아니라 관련된 응용SW 및 서비스 등도 활발하게 개발되고 있음을 확인하였다. 셋째, 전체 문서집합에 대한 연구주제를 파악하는 방법으로 대표적인 토픽 모델링 방법인 LDA 모델을 사용 할 수 있지만, 연구주제와 연구동향을 함께 파악하기 위해서는 DTM 모델이 더 적합함을 확인하였다. 끝으로 본 연구를 통해 도출한 D.
DTM 모델의 결과 값이 전체 연도에 해당하는 연도별 토픽 K개와 그에 해당하는 키워드 N개를(Year× K× N) 반환하기 때문에 토픽을 해석하는 방법에 따라 결과가 크게 변할 수 있음을 밝힌다.
2017년도 D.N.A. 분야에 관한 키워드는 총 6개로, Data 분야에 관련된 키워드로 Big data가, Network 분야에는 Controlling as a Service, Virtual Desktop Infrastructure가 Fog Computing 및 IaaS(Infrastructure as a Service) 등을 개발하는 과제, 그리고 A.I 분야에는 Emotion Recognition, Image Recognition, Pattern Recognition이 통합 인지 플랫폼, 사용자 감정 추론 등을 개발하는 과제임을 확인하였다.

후속연구

마지막으로 본 논문을 통해 도출된 기술의 연구동향과 토픽 모델링을 적용한 연구동향 도출 방법론은 향후 D.N.A. 분야에 대한 정책기획ㆍ과제기획 등 연구개발 기획 과정과 기업의 기술 확보전략ㆍ마케팅 전략 등 다양한 곳에 활용될 수 있을 것으로 기대한다.
셋째, 전체 문서집합에 대한 연구주제를 파악하는 방법으로 대표적인 토픽 모델링 방법인 LDA 모델을 사용 할 수 있지만, 연구주제와 연구동향을 함께 파악하기 위해서는 DTM 모델이 더 적합함을 확인하였다. 끝으로 본 연구를 통해 도출한 D.N.A. 분야의 연구동향과 토픽 모델링을 적용한 연구동향 도출 방법론은 향후 D.N.A. 분야에 대한 정책기획ㆍ과제기획 등 연구개발 기획 과정과 기업의 기술 확보전략ㆍ마케팅 전략 등 다양한 곳에 활용될 수 있을 것으로 기대한다.
따라서 향후 토픽 모델링 결과 자체의 정확도를 높이기 위해 연구과제 데이터와 기술 키워드에 대한 리스트 등이 추가로 확보될 필요가 있으며, 토픽 모델링 결과에 대한 사용자 관점의 2차 해석을 지원하기 위해 추가적인 모델 또는 프레임워크 등 대한 연구가 진행될 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	ICT(Information and Communication Technology) 기술에 있어서 기술의 대중화에 힘쓰고 있는 글로벌 기업들과는 달리, 국내에선 어떤 현실을 보여주는가?	Apple, Google, Microsoft 등 글로벌 기업들은 인공지능을 핵심 R&D(Research and Development) 분야로 삼고 API(Application Programming Interface) 및 클라우드 서비스 등을 통해 기술의 대중화에 힘쓰고 있지만, 국내의 경우 시장참여자 전체를 견인할 수 있는 선순환 구조의 생태계가 미비함이 현실이다[3]. 이러한 우려 속에서 D.
	Garter와 IDC에서 ICT(Information and Communication Technology) 기술의 메가트렌드로 무엇을 선정했는가?	최근 디지털 사회의 도래로 다양한 데이터가 폭발적으로 증가하면서 문헌 내 주제어를 도출하는 연구방법 중 하나인 토픽 모델링에 관한 연구가 활발해지고 있다. 시장조사 전문기관인 Gartner와 IDC에서는 ICT(Information and Communication Technology) 기술의 메가트렌드 중 하나로 빅데이터와 인공지능을, MIT에서는 추론과 학습 및 의사소통이 가능한 인공지능을 혁신기술로 선정하였고[1] 사람과 사람을 연결시키던 전통적인 네트워크 기술은 더 이상 사람과 사람이 아닌 Cloud, Machine to Machine, Internet of Things 등 사람과 사물, 사물과 사물을 대상으로 하는 초연결 사회로 나아가기 위해 변화하고 있다[2].
	토픽 모델링이란?	위와 관련되어 연구동향을 파악하기 위한 데이터 분석 방법은 통계적 분석, 정량적 분석, 전문가 토의 및 설문조사 등 연구목적과 방법에 따라 다양하게 선택할 수 있지만 본 연구에서는 전체 문서집합을 대상으로 텍스트 분석과 통계적 분석을 적용한 토픽 모델링(Topic Modeling) 방법으로 분석하고자 하였다. 토픽 모델링은 개별 문서에서 내포하고 있는 단어의 확률적인 계산을 통해 전체 문서가 의미하는 토픽을 발견하는 데이터마이닝 기법 중 하나로, 대표적인 LDA(Latent Dirichlet Allocation) 모델[4] 외에 DTM(Dynamic Topic Model) 모델[5], ATM(Author Topic Model) 모델[6], PAM(Pachinko Allocation Model) 모델[7], TOT(Topics Over Time) 모델[8] 등 수십여 개의 파생된 모델이 제시되었다[9].

참고문헌 (24)

H. J. Lee, P. M. Ryu, S. J. Lim, M. K. Jang & H. K. Ki. (2014). Technology Trends of AI for Big Data Knowledge Processing. Electronics and Telecommunications Trends, 29(4), 30-38. DOI : 10.22648/ETRI.2014.J.290404
T. K. Kang, Y. H. Kang, Y. C. Ryoo & T. S. Cheung. (2019). Research Trend in Ultra-Low Latency Networking for Fourth Industrial Revolution. Electronics and Telecommunications Trends, 34(6), 108-122. DOI : 10.22648/ETRI.2019.J.340610
J. Y. Lee & B. S. Cho. (2016). Suggestions for Nurturing Ecosystem to Spur Artificial Intelligence Industry. Electronics and Telecommunications Trends, 31(2), 51-62. DOI : 10.22648/ETRI.2016.J.310206
David M. Blei, Andrew Y. Ng. & Michael I. Jordan. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022. DOI : 10.1162/jmlr.2003.3.4.-5.993
David M. Blei & John D. Lafferty. (2006). Dynamic Topic Models. Proceedings of the 23rd international conference on Machine learning, 113-120. DOI : 10.1145/1143844.1143859
Michal Rosen Zvi, Thomas Griffiths, Mark Steyvers & Padhraic Smyth. (2004). The Author-Topic Model for Authors and Documents. Proceedings of the 20th conference on Uncertainty in artificial intelligence, 487-494.
Wei Li & Andrew McCallum. (2006). Pachinko Allocation : DAG-Structured Mixture Models of Topic Correlations. Proceedings of the 23rd international conference on Machine learning, 577-584. DOI : 10.1145/1143844.1143917
Xuerui Wang & Andrew McCallum. (2006). Topics over time: a non-Markov continuous-time model of topical trends. Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, 424-433. DOI : 10.1145/1150402.1150450
Hamed Jelodar, Yongli Wang, Chi Yuan, Xia Feng, Xiahui Jiang, Yanchao Li & Liang Zhao. (2018). Latent Dirichlet Allocation (LDA) and Topic modeling: models, applications, a survey. Multimedia Tools and Applications, 78, 15169-15211. DOI : 10.1007/s11042-018-6894-4
T. J. Kim. (2020). COVID-19 News Analysis Using News Big Data : Focusing on Topic Modeling Analysis. The Journal of the Korea Contents Association, 20(5), 457-466. DOI : 10.5392/JKCA.2020.20.05.457.
H. C. Lee, J. H. Jang & K. T. Kim. (2020). A Study on the Conflict Structure of the Standing Committee through Topic A[4nalysis of the National Assembly Minutes : Health and Welfare Committee in the First Half of the 20th National Assembly. Korean Party Studies Review, 19(2), 131-167. DOI : 10.30992/KPSR.2020.06.19.2.131

상세보기
G. C. Kim & H. J. Noh. (2019). Research Trends of Regional Geography Education Using Topic Modeling. Social Studies Education, 58(4), 49-67. DOI : 10.37561/sse.2019.12.58.4.49
W. J. Lee & H. Y. Lee. (2019). A Technology Landscape of Artificial Intelligence: Technological Structure and Firms' Competitive Advantages. Journal of Korea technology innovation society, 22(3), 340-361. DOI : 10.35978/jktis.2019.06.22.3.340

원문보기 상세보기
K. W. Cho & Y. W. Woo. (2019). Topic Modeling on Research Trends of Industry 4.0 Using Text Mining. Journal of the Korea Institute of Information and Communication Engineering, 23(7), 764-770. DOI : 10.6109/jkiice.2019.23.7.764
S. I. Hwang & M. K. Kim. (2019). An Analysis of Artificial Intelligence(A.I.) : related Studies' Trends in Korea Focused on Topic Modeling and Semantic Network Analysis. Journal of Digital Contents Society, 20(9), 1847-1855. DOI : 10.9728/dcs.2019.20.9.1847

상세보기
Scott Deerwester, Susan T Dumais, George W Furnas, Thomas K Landauer & Richard Harshman. (1990). Indexing by latent semantic analysis. Journal of the American Society for Information Science, 41(6), 391-407. DOI : 10.1002/(SICI)1097-4571(199009)41:6<391

상세보기
Thomas Hofmann. (2001). Unsupervised learning by probabilistic latent semantic analysis. Machine Learning, 42(1-2), 177-196. DOI : 10.1023/A:1007617005950
Arnab Bhadury, Jianfei Chen, Jun Zhu & Shixia Liu. (2016). Scaling up Dynamic Topic Models. WWW '16 : Proceedings of the 25th International Conference on World Wide Web, 381-390. DOI : 10.1145/2872427.2883046
Lin Liu, Lin Tang, Wen Dong, Shaowen Yao & Wei Zhou. (2016). An Overview of Topic Modeling and its current applications in bioinformatics. Springerplus, 5(1), 1608-1630. DOI : 10.1186/s40064-016-3252-8

상세보기
Derek Greene & James P. Cross. (2017). Exploring the Political Agenda of the European Parliament Using a Dynamic Topic Modeling Approach. Political Analysis, 25(1), 77-94. DOI : 10.1017/pan.2016.7

상세보기
Allen H. Huang, Reuven Lehavy, Amy Y. Zang & Rong Zheng. (2017). Analyst Information Discovery and Interpretation Roles: A Topic Modeling Approach. MANAGEMENT SCIENCE, 64(6), 2473-2972. DOI : 10.1287/mnsc.2017.2751
Andra-Selina Pietsch & Stefan Lessmannb. (2018). Topic modeling for analyzing open-ended survey responses, JOURNAL OF BUSINESS ANALYTICS, 1(2), 93-116. DOI : 10.1080/2573234X.2019.1590131

상세보기
Paulo Bicalho, Marcelo Pita, Gabriel Pedrosa, Anisio Lacerda & Gisele L. Papp. (2017). A general framework to expand short text for topic modeling. Information Sciences, 393, 66-81. DOI : 10.1016/j.ins.2017.02.007

상세보기
Pooja Kherwa & Poonam Bansal. (2019). Topic Modeling: A Comprehensive Review. EAI Endorsed Transactions on Scalable Information Systems, 7(24), 1-16. DOI : 10.4108/eai.13-7-2018.159623

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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