초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 전자메일을 사용자 적합도(선호도)를 기준으로 분류하기 위한 구조를 제안한다. 분류는 1차 분류와 2차 분류로 나눠지는데, 1차 분류에서는 사용자 적합도를 판단하기 위해 사용자 관련 정보로부터 동적 시소러스를 구축하고, 구축된 시소러스와의 비교를 통해 사용자에게 유용한 메일인지 아닌지를 결정하고, 2차 분류에서는 사용자가 지정한 폴더키워드를 중심으로 사용자 시소러스로부터 유전자 알고리즘을 이용해 추출한 키워드들과의 적합도 비교를 통해서 특정 폴더로의 분류가 이뤄지게 된다 테스트에는 메일 정보값(Mail Information Word)을 추출하기 위해 HAM(Hangup Analysys Module)을 포함하는 메일정보추줄 에이전트를 사용하였고, mail의 subject와 본문(body)로부터 추출된 16개의 word정보와 시소러스 적합도 정보, 분류 적합도 정보를 하나의 데이터구조로 사용하였다. 이러한 통할된 시스템 구조와 data structure를 이용해 mail을 사용자의 선호도에 따라. 1차와 2차에 걸친 분류시 분류가 사용자 선호도에 근접하게 이루어 질 수 있음을 확인하였다.

본 논문에서는 전자메일을 사용자 적합도(선호도)를 기준으로 분류하기 위한 구조를 제안한다. 분류는 1차 분류와 2차 분류로 나눠지는데, 1차 분류에서는 사용자 적합도를 판단하기 위해 사용자 관련 정보로부터 동적 시소러스를 구축하고, 구축된 시소러스와의 비교를 통해 사용자에게 유용한 메일인지 아닌지를 결정하고, 2차 분류에서는 사용자가 지정한 폴더키워드를 중심으로 사용자 시소러스로부터 유전자 알고리즘을 이용해 추출한 키워드들과의 적합도 비교를 통해서 특정 폴더로의 분류가 이뤄지게 된다 테스트에는 메일 정보값(Mail Information Word)을 추출하기 위해 HAM(Hangup Analysys Module)을 포함하는 메일정보추줄 에이전트를 사용하였고, mail의 subject와 본문(body)로부터 추출된 16개의 word정보와 시소러스 적합도 정보, 분류 적합도 정보를 하나의 데이터구조로 사용하였다. 이러한 통할된 시스템 구조와 data structure를 이용해 mail을 사용자의 선호도에 따라. 1차와 2차에 걸친 분류시 분류가 사용자 선호도에 근접하게 이루어 질 수 있음을 확인하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 또한 하나의 문서에서 동시에 노드가 나타날 경우 생성되는 노드가중치는 관련 키워드 추출 시에 직접적인 영향을 주지 못하게 된다. 따라서, 본 논문에서는 유전자 알고리즘을 봉해 확률적으로 Folder Keyword(FK)와 가장 근사한 값을 갖는 일정한 개수의 keyword들을 추출함으로서 좀더 사용자 선호도와 의미적으로 가까운 FIW들을 추줄하게 된다.
• 본 논呈은 개인사용자의 전자메일을 분류하기 위해 동적으로 갱신이 가중한 사용자 시소러스와 그로부터 유전자 알고리즘을 통해 관련어구를 추줄하는 과정을 기별화된 메일분류시스템 모델로서 제안한다. 이렇게 추출된 MIW정보는 사용자 시소러스와의 적합도를 통해 forward/discard를 결정하고, FIW정보와의 적합도를 통해 어느 폴더코 가야할지를 결정한다, 즉, 사용자 동적 시소러스와 유 전자 알고리즘을 이용한 키워드정보추출을 통해 사용자 적합여부 에 따라 以단계의 메일분류가 이뤄짐을 확인하였다.
• 본 논문에서는 개인사용자의 선호도를 중심으로 메일을 분류할 때, 1차와 2차 필터링 사에 통합적으로 사용될 수 있는 시스템의 구조를 제안하고자 한다. 방법으로는 1차 필터링과 2차 필터링을 위해서 동적으로 사용자 시소러스를 구성하고, 이로부터 유전자 알고리즘을 사용해 사용자의 선호도와 가장 근접한 word들을 추줄하게 된다.

제안 방법

• MIF와 FIW들간의 비교와 threshold값의 변화를 통해 해당 폴더 들간의 유사도를 판단한다.
• MIF와 시소러스 구성 word간의 비교와 threshold값의 변화를 통해 사용자에게 적합한 메일인지, 아닌지를 판단한다.
• 유전자 알고리즘은 1970년대 중반에 Holland에 의해 체계화된 것으로서 진화프로그래밍의 골격이 되며, 초기 후보해로부터 세대를 거듭하는 동안 서응도가 우수한 후보해를 선택하고 이를 유전 연산 (crossover, mutation)을 통해 적응도가 우수한 개체만을 선택 함으로서 최적의 확률을 갖는 개체만을 선택하는 확률알고리즘의 일종이다.[2][5] 본 논문에서분 새로운 MIW가 시소러스에 추가될 때마다 갱신되는 시소리스내의 무수한 노드들과 노드-가중치, 노드 들간의 링크와 링크가중치 값을 바탕으로 최적의 근사값을 갖는 키워드들은 추출하는 것이 이론적으로 상당히 많은 비용(시간과 처 리과정)을 소요하므로 유전자 알고리즘을 이용하여 관련 키워드들 을 추출하게 된다.
• 이때. starting node를 중심으로 distance가 멀어질수록 용어관련 성이 멀어지므로 각 변환 link가중치에 대해 y=cos(x)함수를 적용하여 관련도를 수정하였다. X는 0과 90사이에 있으며, 편의상 61evel을 초과하는 링크는 관련성이 없는 것으로 제한하였다.
• 과 같은 방법으로 진행하며, 관련 가중치들을 갱신한다. 또한 갱신된 시소러스로부터 3.3절에서 제시한 유전자 알고리즘을 통홰 FIW들을 다시 추출한다.
• 본 논문에서 제안하는 개별화된 전자메일 분류시스템(PECS)의 framework는 자동으로 갱신되는 사용자 시소러스와 메일의 정보(MIW)를 추출하는 메일정보추출 에이전트, 폴더키워드를 중심으로 관련키워드들(FIW)을 추출하는 사용자폴더 정보추출에이전트로 구성되며, 이들간의 정보교환을 통해 사용자에게 필요한 메일들을 다단계로 분류하게 된다.
• 본 논문에서는 살험시에 사용자 선호도에 맞게 수작업으로 작성된 정적시소러스를 사용하였다.

대상 데이터

• 사용자 시소러스는 개인 사용자의 관심분야와 관련된 용어정보를 갖고 있는 사전으로서 방향성이 없는 망구조를 하고 있으며, 구성은 keyword정보와 keyword관계성보로서 구성된다. keyword 정보는 다시 keyword와 keyword가중치로, keyword관계정보는 link와 link가중치로 구성된다.

이론/모형

• starting node를 중심으로 가장 적웅도가 높은 링크가중치를 갖는 keyword들을 추출하기 위해 본 논문에서는 다음과 같은 유전 자 알고리즘을 사용하였다.

성능/효과

• 본 논呈은 개인사용자의 전자메일을 분류하기 위해 동적으로 갱신이 가중한 사용자 시소러스와 그로부터 유전자 알고리즘을 통해 관련어구를 추줄하는 과정을 기별화된 메일분류시스템 모델로서 제안한다. 이렇게 추출된 MIW정보는 사용자 시소러스와의 적합도를 통해 forward/discard를 결정하고, FIW정보와의 적합도를 통해 어느 폴더코 가야할지를 결정한다, 즉, 사용자 동적 시소러스와 유 전자 알고리즘을 이용한 키워드정보추출을 통해 사용자 적합여부 에 따라 以단계의 메일분류가 이뤄짐을 확인하였다. 하지만, 본 논문에서 세시한 PECSe 메일정보 필터링 에이전트가 얼마나 메일의 정보를 대표할 수 있는 word를 잘 추출해 낼 수 있느냐에 그 정확도가 맣이 좌우된다.

후속연구

• 또한 사용자 관련메일이 증가함에 따라 사용자 시소러스가 무한히 증가하게 된다. 그 결과 시소러스로부터 정보를 추출하는데 많은 자원(기억공간, 처리시간)이 필요하게 된다, 따라서, 처리의 효율을 증대시키기 위해 동적으로 node를 삭제하고 링크를 삭제하는 방법을 이용함으로서 일정수준의 노드를 갖는 사용자 시소러스를 구축 하는 방법이 연구되어야 할 부분이다. 추가로 시소러스로부터 사용자 곤-련어구들올 좀더 정확하게 추출하기 위해 시소러스의 구성에 관한 연구가 필요하다.
• 그 결과 시소러스로부터 정보를 추출하는데 많은 자원(기억공간, 처리시간)이 필요하게 된다, 따라서, 처리의 효율을 증대시키기 위해 동적으로 node를 삭제하고 링크를 삭제하는 방법을 이용함으로서 일정수준의 노드를 갖는 사용자 시소러스를 구축 하는 방법이 연구되어야 할 부분이다. 추가로 시소러스로부터 사용자 곤-련어구들올 좀더 정확하게 추출하기 위해 시소러스의 구성에 관한 연구가 필요하다.
• 하지만, 본 논문에서 세시한 PECSe 메일정보 필터링 에이전트가 얼마나 메일의 정보를 대표할 수 있는 word를 잘 추출해 낼 수 있느냐에 그 정확도가 맣이 좌우된다. 향후에 mail을 좀더 사용자 선호도와 근사하도록 분류가 이루어지게 하려면, 정보추출 Agent의 성능향상을 꾀하는 연구가 진행되어야 한다. 즉, 정확한 어휘분석기, 구분분석기 등을 통해 정확한 MIF를 추출하는 기법의 연구가 필요하다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기