선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 이러한 문제점율 극복하기 위하여 기계학습 기법을 이용한 전자카탈로그 상答 자동분류기 롤 모델링하고(?i릏구현하는 것에 초점 읉 두고 다음과 같은 연구룙 진행하였다.
- 우선 기계학습의 적용욜 위해전자 카탈로그를 상품 단위로 재 모델링하였으며 여기에서 전자카탈로그의 정보가 상품의 주요 속성 정보로 이루어져 있는 것에 착안하여 기계학습에 있어 속성혈 정보를 이용하는 방안을 고려해 보았다. 또한 속성별 정보가 풍부하지돗 한 점逐 극복하기 위하여 속성값을 어휘 단위로 구분한 데이터큘 추가하는 확장 모델을 정의하였다.
가설 설정
- 산蓄한다. Voc0 함수는 다양한 방식의 파싱함수 적용이 가능하다고 가정하였다.
- 속성.속성값의 순서쌍 집합으로 둔 이유는 속성별로 속성값이 해당 상품의 분导에 刀I치는 영향이 다롤 것이라는 것에 착안하여 모든 Value 가동등하지 않다는 가정을 하기 위해서이다. 이는 전자 카탈로그가 일반 문서와 달리 속성별로 지니는 속성값의 차이가 3 며 각각의 속성이 상품을 분류하는데 기여하는 정도가 댜률 것이라는 점에서 착안하였다, 예룔 들면 '제조사의 경우 동일 업체가 다양한 분류의 제품을 생산할 수 있으므로'제품명'과 같은 기여도 養 지니지 못하지만 '**전자, 와 같은 제조사명을 지니는 경우 '전자제품' 에 관련된 제품일 확養이 통계적으로 또 높아 기여도가 없다고 할 수 없다는 점을 들 수 있다.
- 지닌다. 여기에서는 기분류된 전자 카탎로그I의 정보弟 이용하여 기계학습시킨 다음 학습된 정보養 홍해 새로 유입된 상품 정보誓 기존의 전자카탈로그에 맞추어 분류하는 것을 목적으로 하고 있으며 편의상 분류체계 정보에 존재하는 계층 구조 둥의 정븟는 다루지 않기로 하였으며 한상푬은 단일한 Class에만 속한다고 가정하였다' 따라서 UNSPSC, HS 와 같은 흑정상폼 분류체계와 무관하게 분류체계 정보耋 상폼에 대한 단순한 하나의 '상품 분류 코드'라는 속성 오로 취급하기로 하고 학습 시 분류養 구문M는 인식자(identifier) 역할에만 한정하기로 하였다. 이에 하라 전자카탈로그 정보養 다응과 같이 단순화하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.