[논문]소셜 데이터와 텍스트 분류 기술을 이용한 개인 맞춤형 학습 시스템

김선표; 김은상; 전영호; 이기훈

문제 정의

본 논문에서는 스마트 러닝을 위한 개인 맞춤형 콘텐츠 제공 방법을 제안하였다. 학습자의 관심 분야 파악을 위해기 분류된 데이터를 수집하고 SVM 기반의 기계학습을 수행하였다.
콘텐츠의 제공이 필요하다. 본 논문에서는 학습자별 관심 분야(음악, 여행, IT 등)를 자동적으로 파악해내는 시스템을 제안한다. 학습자의 SNS 데이터에 나타난 단어들을 보고 관심 분야가 무엇인지를 파악해야 하는데, 이 문제는 텍스트 분류 기술을 이용하여 해결할 수 있다.

제안 방법

크기로 카테고리를 재분류하였다. 그리고 소단위 분류에서 '여행/레저' 카테고리에 실제 여행 정보와는 관련 없는 기사들이 많은 것을 발견하고 여행 카테고리는 'tourcabin'의 여행 상품 제목을 이용하도록 수정하였다. 그 결과 평균 정확도가 82.
학습자의 관심 분야 파악을 위해기 분류된 데이터를 수집하고 SVM 기반의 기계학습을 수행하였다. 그리고 카테고리 분류의 단위 크기를 조정하여 정확도를 향상시켰다. 본 논문에서 제안한 시스템은 지능형 콘텐츠 제공 엔진으로 활용 가능할 뿐 아니라 맞춤형 광고 솔루션으로 활용해 광고 효과를 증대시킬 수 있다.
카테고리별로 추출된 단어 데이터를 이용하여 SVM 기계 학습을 수행한다. 다음으로 학습자의 페이스북 게시물을 읽어 형태소 분석을 한 다음 게시물이 어느 카테고리에 속해있는지를 SVM을 통해 알아낸다.
소단위 분류에서 단어들이 여러 카테고리에 걸쳐서 나타남으로 인해 정확도가 낮은 카테고리들을 병합하여 중간 크기로 카테고리를 재분류하였다. 그리고 소단위 분류에서 '여행/레저' 카테고리에 실제 여행 정보와는 관련 없는 기사들이 많은 것을 발견하고 여행 카테고리는 'tourcabin'의 여행 상품 제목을 이용하도록 수정하였다.
인터넷 뉴스를 크롤링을 통해 수집한 후, 형태소 분석을 하여 단어들을 추출한다. 카테고리별로 추출된 단어 데이터를 이용하여 SVM 기계 학습을 수행한다.
2013년도 1년간의 데이터를 크롤링한 후에 그 중에서 100만여 개의 데이터를 무작위로 추출하여 90%의 데이터는 학습 데이터로, 10%의 데이터는 테스트 데이터로 사용하였다. 전체 테스트 데이터 중에서 정확히 분류된 데이터의 비율인 정확도를 측정하였다. 카테고리 분류 단위 크기가 정확도에 영향을 미칠 수 있으므로 크기를 달리하면서 정확도를 측정하였다.
전체 테스트 데이터 중에서 정확히 분류된 데이터의 비율인 정확도를 측정하였다. 카테고리 분류 단위 크기가 정확도에 영향을 미칠 수 있으므로 크기를 달리하면서 정확도를 측정하였다. 향후 서비스 운영을 통해 페이스북 데이터가 수집되면 페이스북 데이터를 이용한 실험을 수행할 계획이다.
카테고리를 지나치게 세분화하면 정확도가 낮아지는 문제를 해결하기 위해 네이버 뉴스의 대분류만을 이용하여 카테고리를 큰 단위로 분류한 다음 정확도를 측정하였다. 그림 2를 보면 표 1의 소단위 분류 결과보다 정확도가 향상된 것을 확인할 수 있다.
하여 단어들을 추출한다. 카테고리별로 추출된 단어 데이터를 이용하여 SVM 기계 학습을 수행한다. 다음으로 학습자의 페이스북 게시물을 읽어 형태소 분석을 한 다음 게시물이 어느 카테고리에 속해있는지를 SVM을 통해 알아낸다.
형태소 분석기는 오픈 소스인 hannanum[9]을 사용하였다. 텍스트 분류 프로그램은 제목과 같이 짧은 길이의 문장을 분류하는데 적합한 LibShortText⑶를 이용하여 구현하였다. 2013년도 1년간의 데이터를 크롤링한 후에 그 중에서 100만여 개의 데이터를 무작위로 추출하여 90%의 데이터는 학습 데이터로, 10%의 데이터는 테스트 데이터로 사용하였다.
학습자의 SNS 데이터에 나타난 단어들을 보고 관심 분야가 무엇인지를 파악해야 하는데, 이 문제는 텍스트 분류 기술을 이용하여 해결할 수 있다. 텍스트 분류를 위 해서는 먼저 각 카테고리별로 기 분류되 어있는텍스트 데이터가 필요한더〕, 본 논문에서는 인터넷 뉴스 사이트, 음악 사이트, 여행상품 사이트 등에서 기 분류된 데이터를 수집하여 사용한다. 텍스트 분류를 위한 기계학습알고리즘으로 널리 쓰이는 지지 벡터 기계(SVM: Support Vector Machine)[3]를 사용한다.
방법을 제안하였다. 학습자의 관심 분야 파악을 위해기 분류된 데이터를 수집하고 SVM 기반의 기계학습을 수행하였다. 그리고 카테고리 분류의 단위 크기를 조정하여 정확도를 향상시켰다.

대상 데이터

텍스트 분류 프로그램은 제목과 같이 짧은 길이의 문장을 분류하는데 적합한 LibShortText⑶를 이용하여 구현하였다. 2013년도 1년간의 데이터를 크롤링한 후에 그 중에서 100만여 개의 데이터를 무작위로 추출하여 90%의 데이터는 학습 데이터로, 10%의 데이터는 테스트 데이터로 사용하였다. 전체 테스트 데이터 중에서 정확히 분류된 데이터의 비율인 정확도를 측정하였다.

이론/모형

텍스트 분류를 위 해서는 먼저 각 카테고리별로 기 분류되 어있는텍스트 데이터가 필요한더〕, 본 논문에서는 인터넷 뉴스 사이트, 음악 사이트, 여행상품 사이트 등에서 기 분류된 데이터를 수집하여 사용한다. 텍스트 분류를 위한 기계학습알고리즘으로 널리 쓰이는 지지 벡터 기계(SVM: Support Vector Machine)[3]를 사용한다. 정확도 향상을 위해 카테고리 분류 단위 크기를 조정하면서 실험 결과를 분석하였고 최대 82.

성능/효과

그리고 카테고리 분류의 단위 크기를 조정하여 정확도를 향상시켰다. 본 논문에서 제안한 시스템은 지능형 콘텐츠 제공 엔진으로 활용 가능할 뿐 아니라 맞춤형 광고 솔루션으로 활용해 광고 효과를 증대시킬 수 있다. 이 기술을 상용화하기 위해서는 정확도를 좀 더 높일 필요가 있으며, 새로운 학습 데이터를 주기적으로 추가하여 기계학습하는 알고리즘의 개발이 필요하다.
텍스트 분류를 위한 기계학습알고리즘으로 널리 쓰이는 지지 벡터 기계(SVM: Support Vector Machine)[3]를 사용한다. 정확도 향상을 위해 카테고리 분류 단위 크기를 조정하면서 실험 결과를 분석하였고 최대 82.5%의 정확도를 얻었다.

후속연구

본 논문에서 제안한 시스템은 지능형 콘텐츠 제공 엔진으로 활용 가능할 뿐 아니라 맞춤형 광고 솔루션으로 활용해 광고 효과를 증대시킬 수 있다. 이 기술을 상용화하기 위해서는 정확도를 좀 더 높일 필요가 있으며, 새로운 학습 데이터를 주기적으로 추가하여 기계학습하는 알고리즘의 개발이 필요하다. 또한 빅 데이터 처리를 위한 Hadoop과의 연계 방법도 고려해볼 사항이 다.
카테고리 분류 단위 크기가 정확도에 영향을 미칠 수 있으므로 크기를 달리하면서 정확도를 측정하였다. 향후 서비스 운영을 통해 페이스북 데이터가 수집되면 페이스북 데이터를 이용한 실험을 수행할 계획이다.

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

소셜 데이터와 텍스트 분류 기술을 이용한 개인 맞춤형 학습 시스템
A Personalized Learning System Using Social Data and Text Classification Techniques 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

소셜 데이터와 텍스트 분류 기술을 이용한 개인 맞춤형 학습 시스템 A Personalized Learning System Using Social Data and Text Classification Techniques 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

소셜 데이터와 텍스트 분류 기술을 이용한 개인 맞춤형 학습 시스템
A Personalized Learning System Using Social Data and Text Classification Techniques 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper