[논문]SNS대상의 지능형 자연어 수집, 처리 시스템 구현을 통한 한국형 감성사전 구축에 관한 연구

이종화

doi:10.5859/kais.2020.29.3.237

SNS대상의 지능형 자연어 수집, 처리 시스템 구현을 통한 한국형 감성사전 구축에 관한 연구
Research on Designing Korean Emotional Dictionary using Intelligent Natural Language Crawling System in SNS 원문보기

정보시스템연구 = The Journal of information systems, v.29 no.3, 2020년, pp.237 - 251

이종화 (동의대학교 e비즈니스학과)

Abstract ▼ AI-Helper

Purpose The research was studied the hierarchical Hangul emotion index by organizing all the emotions which SNS users are thinking. As a preliminary study by the researcher, the English-based Plutchick (1980)'s emotional standard was reinterpreted in Korean, and a hashtag with implicit meaning on SNS was studied. To build a multidimensional emotion dictionary and classify three-dimensional emotions, an emotion seed was selected for the composition of seven emotion sets, and an emotion word dictionary was constructed by collecting SNS hashtags derived from each emotion seed. We also want to explore the priority of each Hangul emotion index. Design/methodology/approach In the process of transforming the matrix through the vector process of words constituting the sentence, weights were extracted using TF-IDF (Term Frequency Inverse Document Frequency), and the dimension reduction technique of the matrix in the emotion set was NMF (Nonnegative Matrix Factorization) algorithm. The emotional dimension was solved by using the characteristic value of the emotional word. The cosine distance algorithm was used to measure the distance between vectors by measuring the similarity of emotion words in the emotion set. Findings Customer needs analysis is a force to read changes in emotions, and Korean emotion word research is the customer's needs. In addition, the ranking of the emotion words within the emotion set will be a special criterion for reading the depth of the emotion. The sentiment index study of this research believes that by providing companies with effective information for emotional marketing, new business opportunities will be expanded and valued. In addition, if the emotion dictionary is eventually connected to the emotional DNA of the product, it will be possible to define the "emotional DNA", which is a set of emotions that the product should have.

주제어

AI 본문요약
AI-Helper

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

문제 정의

Plutchick(1980)의 감정세트를 기준으로 감정 단어들의 가중치를 추출하여 한글로 재해석하고 SNS상의 함축적 의미가 있는 감정 단어를 활용하고자 한다. 다차원감성 사전 구축과 입체적 감성 분류를 위하여 1) 7가지 감성 세트 구성을 위한 감성 시드(Seed)를 선정하고, 2) 각 감성 시드에서 파생된 SNS 해시태그를 수집하여 감성 단어사전을 구축, 3) 같은 감성 내 단어들의 우선순위를 구분하기 위하여 TF-IDF(Term Frequency Inverse Document Frequency)를 이용한 가중치 추출, 4) NMF(Non-negative Matrix Factorization) 알고리즘을 통한 감성 단어의 특성치를 이용한 감성 차원 축소를 적용하고자한다. 또한, 벡터간의 거리 측정은 특정 지점에서 두 벡터 간 벌어진 정도인 각도를 활용하여 유사도 측정을 진행하는 코사인 거리(Consine distance)로 감정 단어 지수를 개발하고자 한다.
다차원감성 사전 구축과 입체적 감성 분류를 위하여 1) 7가지 감성 세트 구성을 위한 감성 시드(Seed)를 선정하고, 2) 각 감성 시드에서 파생된 SNS 해시태그를 수집하여 감성 단어사전을 구축, 3) 같은 감성 내 단어들의 우선순위를 구분하기 위하여 TF-IDF(Term Frequency Inverse Document Frequency)를 이용한 가중치 추출, 4) NMF(Non-negative Matrix Factorization) 알고리즘을 통한 감성 단어의 특성치를 이용한 감성 차원 축소를 적용하고자한다. 또한, 벡터간의 거리 측정은 특정 지점에서 두 벡터 간 벌어진 정도인 각도를 활용하여 유사도 측정을 진행하는 코사인 거리(Consine distance)로 감정 단어 지수를 개발하고자 한다.
본 논문의 2장은 TF-IDF분석과 NMF 그리고, 코사인 유사도에 관하여 선행 연구를 진행하였다. 3장에서는 감정 단어 간 유사도 측정을 위한 프레임워크, 4장은 실현을 통한 7가지 감정 단어의 가중치를 공유하였으며 마지막 장에는 연구의 결론과 시사점 및 향후 연구를 제시하고자 한다.
본 연구는 Plutchick(1980)의 감정 세트를 기준으로 감정 단어들의 가중치를 추출하여 한글 감정 세트 내의 감정 랭킹을 추출하며 감정 분석(sentiment analysis)의 신뢰도를 높이고자 한다.
본 연구는 네티즌의 의견 속에서 감정어의 우선순위를 결정하고자 한다. 모든 문장에 빈번히 나타난 키워드를 제한하여 의미 있는 감정단어를 부각하기 위한 TF_IDF를 사용하였다.
하지만 원하는 것만을 빨리 찾아주는 큐레이션(curation)이 없다면 빅데이터의 가치를 느끼진 못할 것이다. 본 연구는 방대한 댓글 속에서 감정을 찾아주는 큐레이션으로 감정 시드를 본 연구자의 기존 연구를 확장하여 감정 단어에 감정 색인(index)을 만들고자 하였다. 감정의 지표는 그 시대의 표현 방법에 따른 변화이다.
본 연구의 감정 지수는 TF-IDF 과정을 통하여 행렬로 변환하여 NMF 알고리즘을 활용하여 각 문서의 특성을 추출한 후 베겉 거리 측정방법으로 코사인 거리 알고리즘으로 감정 세트 내 감정 단어의 유사도를 결정 하고자 한다.

제안 방법

‘Disgusted’는 만 7천여 개의 댓글을 활용하여 감정 단어 순서를 결정하였고 9개의 시드를 이용하여 8개의 특성을 고려하여 감정 내 유사도를 측정하였다.
이러한 발상으로 본 연구는 이전 연구의 결과를 배경으로 진행되었다. Plutchick(1980)의 감정세트를 기준으로 감정 단어들의 가중치를 추출하여 한글로 재해석하고 SNS상의 함축적 의미가 있는 감정 단어를 활용하고자 한다. 다차원감성 사전 구축과 입체적 감성 분류를 위하여 1) 7가지 감성 세트 구성을 위한 감성 시드(Seed)를 선정하고, 2) 각 감성 시드에서 파생된 SNS 해시태그를 수집하여 감성 단어사전을 구축, 3) 같은 감성 내 단어들의 우선순위를 구분하기 위하여 TF-IDF(Term Frequency Inverse Document Frequency)를 이용한 가중치 추출, 4) NMF(Non-negative Matrix Factorization) 알고리즘을 통한 감성 단어의 특성치를 이용한 감성 차원 축소를 적용하고자한다.
<그림 5>는 본 연구를 위한 프레임워크이다. TF-IDF 방식으로 문장 내 감정 단어를 벡터를 추출하여 NMF를 이용하여 각 문장과 감정단어의 행렬을 인수분해 과정의 차원 축소 방식으로 감정 단어의 특성을 추출하였으며 추출된 벡터간 거리는 빈도를 제한을 고려한 코사인 유사도를 통하여 감정 세트 내 감정 단어의 가중치를 추출하고 한다.
모든 문장에 빈번히 나타난 키워드를 제한하여 의미 있는 감정단어를 부각하기 위한 TF_IDF를 사용하였다. 각 문장의 특성값을 추출하기 위한 방법으로 NMF의 차원 축소를 진행하였으며 축소된 차원의 벡터사이 위치 값을 각도로 환산한 코사인으로 적용하여 빈도의 차이에 영향을 최소화하였다.
이러한 이전 연구 결과를 활용하여 문장을 구성하는 단어의 벡터 과정을 거쳐 행렬 변환하는 과정에서는 TF-IDF를 이용한 가중치 추출하며, 감정 Set 내 행렬의 차원 감소 기법은 NMF 알고리즘을 통한 감정 단어의 특성치를 이용한 감성 차원을 해결하고자 한다. 감정 Set내 감정 단어의 유사도를 측정하여 벡터간의거리 측정 방법으로 Cosine Distance 알고리즘을 이용하여 감정 Set 내 감정 단어의 순위를 개발하고 네티즌의 감정의 깊이를 읽을 수 있는 특별한 기준으로 본다.
본 연구는 심리학자 Plutchick(1980)의 일곱가지 감정 세트를 한글로 변환하여 적용하였다. 감정 세트 내 감정 단어는 본 연구자의 감정 단어 일반화 연구의 결과를 이용하여 선정되었으며 차원 축소를 통한 코사인 유사도를 이용하여 가중치를 행렬로 구성하였다. ‘Angry'는 일곱 가지 감정 세트 중 가장 많은 56개 시드를 갖고 있으며 4만 4천여 개의 댓글과 55개의 특성을 고려하여 차원을 축소하였다.
비정형적 데이터 분석은 신뢰성 있는 데이터확보와 관리 측면에서 본 연구가 시사점은 다음과 같다. 데이터 전처리 과정에 TF-IDF 알고리즘을 활용하므로 전체 문서에 높은 빈도의 단어는 특징에서 배제하고, 문서에 특정 단어가 많이 언급될 수 록 그 단어의 가중치 값을 크게 하여 문서의 특징을 찾고자하였다. 또한, t-SNE나 PCA는 특성을 해석하기에 불명확함의 한계점을 있는 것을 감안하여 본 연구는 NMF 알고리즘을 이용하여 특성 해석이 가능하며 행렬로 압축되어 있는 특성을 기반으로 유사도를 측정하였다.
첫 번째 과정은 높은 빈도의 단어가 중요 단어에 영향을 줄 수 있으므로 TF-IDF 알고리즘을 통하여 1차 적으로 감정 단어의 벡터 변환을 진행하였다. 두번째 과정은 문서의 특징을 추출하기 위하여 행렬 차원을 축소하여 감정 단어에 대비한 새로운 특성에 대한 관계를 NMF 알고리즘을 이용하여 측정하였다. 이러한 측정치를 이용하여 세 번째는 감정 단어가 거리를 직접적인 유클리드 거리를 사용한 것이 아니라 두 벡터 간 떨어진 각을 이용하여 거리를 코사인 유사도로 측정하였다.
데이터 전처리 과정에 TF-IDF 알고리즘을 활용하므로 전체 문서에 높은 빈도의 단어는 특징에서 배제하고, 문서에 특정 단어가 많이 언급될 수 록 그 단어의 가중치 값을 크게 하여 문서의 특징을 찾고자하였다. 또한, t-SNE나 PCA는 특성을 해석하기에 불명확함의 한계점을 있는 것을 감안하여 본 연구는 NMF 알고리즘을 이용하여 특성 해석이 가능하며 행렬로 압축되어 있는 특성을 기반으로 유사도를 측정하였다. 자연어 처리에서 자주 등장하는 단어인 경우 유클리드 거리를 이용한 유사도 측정의한계를 처리하기 위하여 코사인 유사도를 적용하여 감성 단어 간 거리에 적용하였다.
본 실험에서는 20만 개의 댓글을 분석하여 결과를 도출되었으며 차원 축소를 위한 NMF의 특성(의 features)은 분석 데이터와 해당 감정 단어의 빈도를 적용하였다.
본 연구는 심리학자 Plutchick(1980)의 일곱가지 감정 세트를 한글로 변환하여 적용하였다. 감정 세트 내 감정 단어는 본 연구자의 감정 단어 일반화 연구의 결과를 이용하여 선정되었으며 차원 축소를 통한 코사인 유사도를 이용하여 가중치를 행렬로 구성하였다.
본 연구를 위하여 감정 세트 내 일반화된 감정 단어 190개를 이용하여 20만 개의 댓글에서 감정 지수의 순위를 결정하였다. 첫 번째 과정은 높은 빈도의 단어가 중요 단어에 영향을 줄 수 있으므로 TF-IDF 알고리즘을 통하여 1차 적으로 감정 단어의 벡터 변환을 진행하였다.
x 서버 환경에서 오픈 소스 소프트웨어인 Linux R를 이용하여 진행되었으며 R 패키지를 활용하여 연구를 진행하였다. 연구 문서와 감정 사전을 비교한 결과를 TF-IDF의 가중치를 활용하여 연구 설계를 하였다. 특히, 차원 감소를 위한 NMF기법을 활용하여 가중치 행렬과 특성 행렬로 나누어 추출된 특성 행렬로 해당 특징이 어떤 감정 단어들에 의해서 반응하는지를 벡터 처리하여 그 거리를 각도 측정을 통하여 그 유사도를 측정하였다.
의 V = W(n*r) * H(r*m)의 행렬에서 (n + m)r < n*m의 조건을 만족하여 최대한 특성을 도출하여 본 연구에 적용하였다.
이러한 이전 연구 결과를 활용하여 문장을 구성하는 단어의 벡터 과정을 거쳐 행렬 변환하는 과정에서는 TF-IDF를 이용한 가중치 추출하며, 감정 Set 내 행렬의 차원 감소 기법은 NMF 알고리즘을 통한 감정 단어의 특성치를 이용한 감성 차원을 해결하고자 한다. 감정 Set내 감정 단어의 유사도를 측정하여 벡터간의거리 측정 방법으로 Cosine Distance 알고리즘을 이용하여 감정 Set 내 감정 단어의 순위를 개발하고 네티즌의 감정의 깊이를 읽을 수 있는 특별한 기준으로 본다.
두번째 과정은 문서의 특징을 추출하기 위하여 행렬 차원을 축소하여 감정 단어에 대비한 새로운 특성에 대한 관계를 NMF 알고리즘을 이용하여 측정하였다. 이러한 측정치를 이용하여 세 번째는 감정 단어가 거리를 직접적인 유클리드 거리를 사용한 것이 아니라 두 벡터 간 떨어진 각을 이용하여 거리를 코사인 유사도로 측정하였다. 이러한 과정을 통하여 감정 단어지수를 도출하였다.
또한, t-SNE나 PCA는 특성을 해석하기에 불명확함의 한계점을 있는 것을 감안하여 본 연구는 NMF 알고리즘을 이용하여 특성 해석이 가능하며 행렬로 압축되어 있는 특성을 기반으로 유사도를 측정하였다. 자연어 처리에서 자주 등장하는 단어인 경우 유클리드 거리를 이용한 유사도 측정의한계를 처리하기 위하여 코사인 유사도를 적용하여 감성 단어 간 거리에 적용하였다.
본 연구를 위하여 감정 세트 내 일반화된 감정 단어 190개를 이용하여 20만 개의 댓글에서 감정 지수의 순위를 결정하였다. 첫 번째 과정은 높은 빈도의 단어가 중요 단어에 영향을 줄 수 있으므로 TF-IDF 알고리즘을 통하여 1차 적으로 감정 단어의 벡터 변환을 진행하였다. 두번째 과정은 문서의 특징을 추출하기 위하여 행렬 차원을 축소하여 감정 단어에 대비한 새로운 특성에 대한 관계를 NMF 알고리즘을 이용하여 측정하였다.
연구 문서와 감정 사전을 비교한 결과를 TF-IDF의 가중치를 활용하여 연구 설계를 하였다. 특히, 차원 감소를 위한 NMF기법을 활용하여 가중치 행렬과 특성 행렬로 나누어 추출된 특성 행렬로 해당 특징이 어떤 감정 단어들에 의해서 반응하는지를 벡터 처리하여 그 거리를 각도 측정을 통하여 그 유사도를 측정하였다.
주성분분석(PCA)이나 산점도를 이용하는 t-SNE는 원본 데이터 특징을 추출하여 새로운 특징 셋으로 표현을 하지만 새로운 특징 셋이 원본 특징과 어떤 연관 관계를 가지는지는 해석이 불가능하다. 하지만 NMF의 경우 새로운 특징 셋이 어떻게 원본 데이터와 관계를 가지는지 확인이 가능하여 본 연구에 적용하고자한다(Seung and Lee, 2001). Seung and Lee(2001)의 모델인 NMF는 행렬 인수 분해 알고리즘을 이용하였다.

대상 데이터

본 연구에 앞서 선행된 연구들에서 데이터를 활용하였다. ‘Repay DB’는 실시간으로 수집되고 있는 인터넷 뉴스 기사의 댓글 수집 시스템을 활용하였다.

데이터처리

분석은 Linux CentOS 6.x 서버 환경에서 오픈 소스 소프트웨어인 Linux R를 이용하여 진행되었으며 R 패키지를 활용하여 연구를 진행하였다. 연구 문서와 감정 사전을 비교한 결과를 TF-IDF의 가중치를 활용하여 연구 설계를 하였다.

이론/모형

하지만 NMF의 경우 새로운 특징 셋이 어떻게 원본 데이터와 관계를 가지는지 확인이 가능하여 본 연구에 적용하고자한다(Seung and Lee, 2001). Seung and Lee(2001)의 모델인 NMF는 행렬 인수 분해 알고리즘을 이용하였다. 원본 행렬 V를 인수 분해를 통하여두개의 행렬로 분리하고자 한다.
본 연구는 네티즌의 의견 속에서 감정어의 우선순위를 결정하고자 한다. 모든 문장에 빈번히 나타난 키워드를 제한하여 의미 있는 감정단어를 부각하기 위한 TF_IDF를 사용하였다. 각 문장의 특성값을 추출하기 위한 방법으로 NMF의 차원 축소를 진행하였으며 축소된 차원의 벡터사이 위치 값을 각도로 환산한 코사인으로 적용하여 빈도의 차이에 영향을 최소화하였다.

성능/효과

‘Bad’ 세트는 ‘바쁜’, ‘스트레스’의 단어가 대표적이며, ‘Sad’ 세트는 ‘후회’, ‘취약’, ‘상처’, ‘신음’, ‘충격’ 등의 감정어가 감정을 이끄는 것으로 나타났다.
‘Happy’는 5만 여개의 가장 많은 댓글로 분석 되었으며 ‘무료’, ‘즐거운’, ‘친한’, ‘믿는’, ‘자랑’, ‘호기심’의 감정 단어가 높은 유사도를 보이며 상대적으로 ‘살맛나는’, ‘상큼’, ‘끝내주는’, ‘짜릿’의 감정 단어는 낮은 유사도를 보이고 있다.
마지막 감정 세트인 ‘Surprised’는 만 여개의 댓글에서 실험을 준비하였으며 ‘흥분’, ‘깜짝’, ‘혼란’, ‘두려운’, ‘당황’, ‘놀란’, ‘갈망’, ‘활기’, ‘열망’, ‘충격’, ‘난처’의 순으로 감정 단어의 순위를 결정할 수 있었다.
마지막으로, ‘Angry’ 세트는 ‘굴욕’, ‘적대’, ‘분노’, ‘복수’, ‘억울’, ‘실망’, ‘부담’ 등이 감정을 주도하고 있었다.
유사도 결과 ’굴욕‘, ‘적대’, ‘분노’, ‘복수’, ‘억울’, ‘실망’, ‘부담’등의 감정 단어순으로 결과가 나타났으며 상대적으로 ‘성난’, ‘속상’, ‘화난’, ‘언짢’, ‘불쾌’, ‘공격적’, ‘못마땅’ 등의 감정 단어는 낮은 유사도를 보이고 있다.
일곱 가지 감정 세트 중 감정 단어 내 유사도차이를 가장 뚜렷한 세트는 ‘Fearful’이며 감정키워드 간 유사도 차이가 미미한 감정 세트는 ‘Angry’ 감정으로 나타났다.

후속연구

본 연구의 감정 단어의 순위결정은 빈도 중심 연구를 벗어나 특성이 있는 단어에 비중을 두고 연구를 한다면 고객의 니즈 해석에 신뢰도가 높아질 것으로 본다. 하지만 변화하는 고객의 니즈분석을 통하여 지속적인 감정 단어의 관리가 필요하다.
네트워크의 지속적 변화는 새로운 연구 환경을 제공한다고 볼 수 있다. 하지만 시시각각 증가하는 고객들의 반응과 후기, 평가 등을 시각화하여 다양한 정보를 한 눈에 볼 수 있도록 사용자 인터페이스를 개발한다면 실시간으로 고객의 니즈를 판단할 수 있는 대시보드가 될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Document Frequency란?	DF(Document Frequency)는 특정 단어가 나타나는 문서 수를 나타내는 가중치이다. 단어가 주체인 TF와는 다르게 문서가 주체가 되는 방법이며, (식2)를 이용하여 연구 문서에 해당 단어의 빈도를 확인할 수 있다(Salton and Buckley, 1988).
	z세대란?	공간, 소통의 도구, 언어 그리고, 직업은 서로 다르지만 공통의 관심사만 있다면 언제든 소통할 수 있는 세대를 z세대라 한다(강주연 등, 2020). z세대는 네트워크 환경에 익숙하여 자료나 정보, 콘텐츠의 저장(save) 개념이 없다.
	z세대가 네트워크 환경에 익숙하여 자료나 정보, 콘텐츠의 저장(save) 개념이 없는 이유는 무엇인가?	z세대는 네트워크 환경에 익숙하여 자료나 정보, 콘텐츠의 저장(save) 개념이 없다. 즐기고 소통하는 모든 콘텐츠는 네트워크 환경의 클라우드(cloud) 공간에서 제공되며 대면하지 않은 언택트(untact)를 이미 그들은 즐기고 있기 때문이다. 온라인에서 관계를 맺어가는 z세대는 소셜 커뮤니티에서 팔로워, 구독자, 이웃 등의 친구를 찾고 관계를 유지하며 영상 및 화상 통화로 소통하는 것을 선호한다.

참고문헌 (25)

강주연, 이이든, 김지수, "텍스트 마이닝을 활용한 'Z 세대'관련 뉴스데이터 의미연결망 분석," 미래청소년학회지, 제17권, 2020, pp. 25-48.
고흥석, 신중현, "디지털 네이티브 세대의 미디어 이용행태에 관한 탐색적 연구," 한국콘텐츠학회논문지, 제18권, 제3호, 2018, pp. 1-10.

원문보기 상세보기
권종원, 송태승, "제조 혁신 위한 플랫폼 기반의 디지털 트랜스포메이션 추진 동향," 전자공학회지, 제46권, 제12호, 2019, pp. 34-46.
김철원, 박선, "의미특징과 워드넷 기반의 의사 연관 피드백을 사용한 질의기반 문서요약," 한국정보통신학회논문지 제15권, 제7호, 2011, pp. 1517-1524.
박선, 김경준, 김경호, 이성로 "의미특징 기반의 용어 가중치 재산정을 이용한 문서군집의 성능 향상," 한국정보통신학회논문지, 제17권, 제2호, 2013, pp. 347-354.

원문보기 상세보기
이종화, "Python을 이용한 SNS 크롤링 시스템 구축," 한국산업정보학회논문지, 제23권, 제5호, 2018, pp. 61-76.

원문보기 상세보기
이종화, 이문봉, 김종원, "TF-IDF 를 활용한 한글 자연어 처리 연구," 정보시스템연구 제28권, 제3호, 2019, pp. 105-121.

원문보기 상세보기
이종화, 이윤재, 이현규, "SNS 의 해시태그를 이용한 감정 단어 수집 시스템 개발," 정보시스템연구, 제27권, 제2호, 2018, pp. 77-94.

원문보기 상세보기
이종화, "SNS 해시태그를 이용한 감정 단어 일반화 연구," 인터넷전자상거래연구 제18궈, 제4호, 2018, pp. 53-63.
이진수, "데이터 사이언스 기반의 디지털 트랜스포메이션," 방송과 미디어 제22권, 제4호, 2017, pp. 18-25.

원문보기 상세보기
Balahur, A., Hermida, J. M., and Montoyo, A., "Detecting implicit expressions of emotion in text: A comparative analysis," Decision Support Systems, Vol. 53, No. 4, 2012, pp. 742-753.

상세보기
Cheng, F., Shen, J., Yu, Y., Li, W., Liu, G., Lee, P. W., and Tang, Y., "In silico prediction of Tetrahymena pyriformis toxicity for diverse industrial chemicals with substructure pattern recognition and machine learning methods," Chemosphere, Vol. 82, No. 11, 2011, pp. 1636-1643.

상세보기
Christian, H., Agus, M. P., and Suhartono, D., "Single Document Automatic Text Summarization using Term Frequency-Inverse Document Frequency (TFIDF)," ComTech: Computer, Mathematics and Engineering Applications, Vol. 7, No. 4, 2016, pp. 285-294.

상세보기
Danielsson, P. E., "Euclidean distance mapping," Computer Graphics and image processing, Vol. 14, No. 3, 1980, pp. 227-248.

상세보기
Gunasekaran, S., "Computer vision technology for food quality assurance," Trends in Food Science & Technology, Vol. 7, No. 8, 1996, pp. 245-256.

상세보기
Kaelbling, L. P., Littman, M. L., and Moore, A. W., "Reinforcement learning: A survey," Journal of artificial intelligence research, Vol. 4, 1996, pp. 237-285.

상세보기
Plutchik, R., A general psychoevolutionary theory of emotion, In Theories of emotion, 1980.
Qaiser, S., and Ali, R., "Text mining: use of TF-IDF to examine the relevance of words to documents," International Journal of Computer Applications, Vol. 181, No. 1, 2018, pp. 25-29.

상세보기
Salton, G., and Buckley, C., "Term-weighting approaches in automatic text retrieval," Information processing & management, Vol. 24, No. 5, 1988, pp. 513-523.

상세보기
Seung, D., and Lee, L., "Algorithms for non-negative matrix factorization," Advances in neural information processing systems, Vol. 13, 2001, pp. 556-562.
Tata, S., and Patel, J. M., "Estimating the selectivity of tf-idf based cosine similarity predicates," ACM Sigmod Record, Vol. 36, No. 2, 2007, pp. 7-12.

상세보기
Walker, M. A., Anand, P., Abbott, R., Tree, J. E. F., Martell, C., and King, J., "That is your evidence?: Classifying stance in online political debate," Decision Support Systems, Vol. 53, No. 4, 2012, pp. 719-729.

상세보기
Witten, I. H., Frank, E., Hall, M. A., and Pal, C. J., Data Mining: Practical machine learning tools and techniques, Morgan Kaufmann, 2016.
Ye, C., Yung, N. H., and Wang, D., "A fuzzy controller with supervised learning assisted reinforcement learning algorithm for obstacle avoidance," IEEE Transactions on Systems, Vol. 33, No. 1, 2003, pp. 17-27.
Ye, J., "Improved cosine similarity measures of simplified neutrosophic sets for medical diagnoses," Artificial intelligence in medicine, Vol. 63, No. 3, 2015, pp. 171-179.

상세보기

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