$\require{mediawiki-texvc}$

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.

초록데이터를 활용한 국내외 통계학 분야 연구동향
Research trends in statistics for domestic and international journal using paper abstract data 원문보기

응용통계연구 = The Korean journal of applied statistics, v.34 no.2, 2021년, pp.267 - 278  

양종훈 (중앙대학교 응용통계학과) ,  곽일엽 (중앙대학교 응용통계학과)

초록
AI-Helper 아이콘AI-Helper

시간이 갈 수록, 정부, 기업, 국내, 해외를 막론하고 데이터의 양이 증가하고 있다. 이에따라 학계에서도 빅데이터에 대한 연구들이 늘어나고 있다. 통계학은 빅데이터 연구의 중심이 되는 학문들 중 하나이며, 늘어나는 통계학 분야 논문 빅데이터를 통해 통계학의 연구동향을 파악해 보는 것도 재미있을 것이다. 본 연구에서는 국내와 해외의 통계학 논문들의 초록데이터를 통해 어떤 연구들이 이루어지고 있는지 분석을 진행하였다. 저자들이 선정한 논문들의 키워드 데이터 빈도를 통해 국내외 연구 동향을 분석하였고, Word Embedding 방법을 통해 해당 키워드들의 관계성을 시각화 하였다. 여기서 저자들이 선정한 키워드들 외에 Textrank를 통해 선정된 통계학 분야 논문들에서 중요하게 사용되는 단어들도 추가적으로 시각화 하였다. 마지막으로 초록 데이터에 LDA 기법을 적용하여 10가지 토픽을 알아보았다. 각 토픽들에 대한 분석을 통해 어떤 연구 주제들이 자주 연구되며, 어떤 단어들이 중요하게 사용되는지 알아보았다.

Abstract ▼ AI-Helper 아이콘AI-Helper

As time goes by, the amount of data is increasing regardless of government, business, domestic or overseas. Accordingly, research on big data is increasing in academia. Statistics is one of the major disciplines of big data research, and it will be interesting to understand the research trend of sta...

주제어

#텍스트 마이닝   #토픽 모델링  

표/그림 (5)

참고문헌 (22)

  1. Blei MD, Ng YA, Jordan IM (2003). Latent dirichlet allocation, Journal of Machine Learning Research, 3, 993-1022. 

  2. Brin S and Page L (1998). The anatomy of a large-scale hypertextual web search engine. In Proceedings of the Seventh International Conference on World Wide Web 7, 107-117. 

  3. Brownlee J (2020). A gentle introduction to the bag-of-words model. In Deep Learning for Natural Language Processing 

  4. Choi CH and LEE JB (2017). The knowledge structure analysis on Taekwondo researches : Application of key-word network analysis, The Korean Journal of Physical Education, 56, 627-644. 

  5. Cox FT and Cox MAA (2000). Multidimensional scaling 2nd ed, Chapman and Hall. 

  6. Goldberg Y and Levy O (2014). Word2vec explained: deriving mikolov et al.'s negative-sampling word-embedding method. arXiv 

  7. Jeon YB, Ryu SR, Song JH, and Kim HJ (2017), Analysis of research trends in artificial intelligence using text mining techniques, Proceedings of the Korea Intelligent Information Systems Society, 39-40. 

  8. Jolliffe IT (1986). Principal Component Analysis, Springer Verlag. 

  9. Joulin A, Grave E, Bojanowski P, Douze M, Jegou H, and Mikolov T (2016). Fasttext.zip: Compressing text classification models, arXiv preprint arXiv:1612.03651. 

  10. Kim SY (2020). Analysis on status and trends of SIAM journal papers using text mining, Journal of the Korea Contents Association, 20, 212-222. 

  11. Landauer TK, Foltz PW, and Laham D (1998). An introduction to latent semantic analysis, Discourse processes, 25, 259-284. 

    상세보기

  12. Lee IS, Park SH, Baek JG (2015). Identification of research trends in the manufacturing system field through text mining, Proceedings of the Spring Conference of the Korean Institute of Industrial Engineers, 4201-4205 

  13. Maaten L and Hinton G (2008). Visualizing data using t-SNE, Journal of Machine Learning Research, 9, 2579-2605. 

    상세보기

  14. Mai F, Galke L, and Scherp A (2019). CBOW is not all you need: Combining CBOW with the compositional matrix space model, CoRR. 

  15. Mihalcea R, Tarau P (2004). TextRank: bringing order into texts. In Proceedings of EMNLP-04and the 2004 Conference on Empirical Methods in Natural Language Processing. 

  16. Mikolov T, Sutskever I, Chen K, Corrado G, and Dean J (2013). Distributed rep-resentations of words and phrases and their compositionality, Neural and Information Processing System (NIPS) 

  17. Papadimitriou C, Raghavan P, Tamaki H, and Vempala S (1998). Latent semantic indexing: a probabilistic analysis. In Proceedings of ACM PODS, 159-168. 

  18. Pennington J, Socher R, and Manning CD (2014). Glove: global vectors forword representation, EMNLP, 14, 1532-1543. 

  19. Rong X (2014). Word2vec parameter learning explained. arXiv. 

  20. Roweis TS and Saul KL (2000). Nonlinear Dimensionality Reduction by Locally Linear Embedding, Science, 290, 2323-2326. 

    상세보기

  21. Sievert C, Shirley K (2014). LDAvis: A method for visualizing and interpreting topics, Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces, 63-70. 

  22. Yin Z and Shen Y (2018). On the dimensionality of word embedding, Advances in Neural Information Processing Systems 31, 895-906. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

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