[논문]기계학습을 이용한 특허 분류의 성능 비교에 대한 연구

이주현; 강지호; 박아람; 박상성; 장동식

기계학습을 이용한 특허 분류의 성능 비교에 대한 연구
Performance Comparison of Patent Classification Using Machine Learning Models 원문보기

이주현 (고려대학교 산업경영공학과) , 강지호 (고려대학교 산업경영공학과) , 박아람 (고려대학교 산업경영공학과) , 박상성 (고려대학교 기술경영전문대학원) , 장동식 (고려대학교 산업경영공학과)

최근 특허분석의 중요성이 부각되고 있다. 특허분석을 위해 검색된 특허 중 노이즈 특허를 분류하는 작업은 많은 시간과 비용을 요구한다. 본 논문에서는 효율적인 특허분석을 위한 노이즈 특허 분류 성능의 비교를 진행한다. 그리고 비교한 결과를 통해 노이즈 특허 분류에 최적의 모형을 찾는 것을 목표로 한다. 듀얼 카메라 특허 603건을 이용하여 실제 실험을 실시한 결과, 나이브 베이지안 분류 모형의 분류 성능이 가장 우수하였다.

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

문제 정의

그러나 특허는 서지사항, 요약, 청구범위 등이 포함된 복잡한 구조로 이루어져 있기 때문에 분류를 하는 것에 어려움이 따른다. 따라서 본 연구에서는 텍스트 마이닝 기법을 이용해 특허에서 사용되는 키워드를 중심으로 특허를 분류하는 최적의 모형을 탐색한다.
효율적인 특허분석을 위해 노이즈 특허를 잘 분류하는 모형을 탐색하는 연구를 진행하였다. 미국 듀얼 카메라 특허 603건으로 실험을 진행한 결과, 선행 연구에서 문서 분류에서 강점을 보였던 나이브 베이지안 분류 모형의 성능이 가장 우수함을 알 수 있었다.

제안 방법

단어(Term)의 수는 문서(Document)의 수보다 훨씬 크기 때문에 SVD-PCA 방법을 사용하여 차원을 축소한다. 그 다음 원 데이터를 학습 데이터와 검증 데이터로 나누어 학습을 진행한 뒤, 노이즈 분류 성능을 비교한다
노이즈 특허를 분류하기 위한 최적 모형을 찾기 위해 실제 특허문서를 사용하여 실험을 진행한다. 실험에 사용된 데이터는 WIPS ON 특허 데이터베이스로부터 검색한 듀얼 카메라 특허이다.
문서의 수(n)와 단어의 수(p)의 관계가 n << p이므로 일반적인 통계 모형에 적용하기 어렵다. 따라서 SVD-PCA를 사용하여 차원을 축소하였다. SVD-PCA를 적용한 결과, 40개의 주성분을 선택할 때, 원래 정보의 90%를 유지할 수 있었다.
k-NN의 경우, k=7인 경우가 가장 최적이었으나 모든 특허를 노이즈라고 예측하여 분류의 의미가 없었다. 모형의 분류 성능을 측정하기 위해 정확성(Acc, Accuracy), 민감도(Sen, Sensitivity), 특이도(Spe, Specificity), 정밀도(Pre, Precision), F-1 점수(F1)를 사용하였다. 4가지 모형에 대하여 5가지 분류 성능 지표를 교차 비교한 결과, NB가 5개 중 4개의 지표에서 가장 우수한 성능을 보였다.
학습 데이터와 검증 데이터로 최적의 모형을 찾는 작업을 실시하였다. LR의 경우, Stepwise 변수선택 절차를 이용하였으며 DT는 가지치기 작업을 실시하였다.

대상 데이터

SVD-PCA를 적용한 결과, 40개의 주성분을 선택할 때, 원래 정보의 90%를 유지할 수 있었다. 따라서 본 논문에서는 40개의 주성분을 이용한다.
모형의 분류 성능을 비교하기 위해 603건의 특허 중 402건을 훈련 데이터로, 201건을 검증 데이터로 사용하였다. 각 모형을 학습한 뒤, 분류 성능을 검증한 결과는 표 1과 같다.
노이즈 특허를 분류하기 위한 최적 모형을 찾기 위해 실제 특허문서를 사용하여 실험을 진행한다. 실험에 사용된 데이터는 WIPS ON 특허 데이터베이스로부터 검색한 듀얼 카메라 특허이다. 검색 결과, 미국 특허 603건을 얻을 수 있었다.

이론/모형

학습 데이터와 검증 데이터로 최적의 모형을 찾는 작업을 실시하였다. LR의 경우, Stepwise 변수선택 절차를 이용하였으며 DT는 가지치기 작업을 실시하였다. k-NN의 경우, k=7인 경우가 가장 최적이었으나 모든 특허를 노이즈라고 예측하여 분류의 의미가 없었다.
우선 특허 데이터베이스로부터 특허를 수집한다. 그리고 문서별 단어의 빈도를 고려하는 Document-Term 행렬(DTM)을 만든다.
검색 결과, 미국 특허 603건을 얻을 수 있었다. 노이즈 특허분류의 성능을 확인하기 위해 로지스틱 회귀모형(LR, Logistic Regression), 의사결정 나무모형(DT, Decision Tree), k-최근접 이웃모형(k-NN, k-Nearest Neighbor), 나이브 베이지안 분류 모형(NB, Naive Bayesian)을 사용하였다.
구성된 DTM은 차원이 상당히 크기 때문에 차원축소를 할 필요가 있다. 단어(Term)의 수는 문서(Document)의 수보다 훨씬 크기 때문에 SVD-PCA 방법을 사용하여 차원을 축소한다. 그 다음 원 데이터를 학습 데이터와 검증 데이터로 나누어 학습을 진행한 뒤, 노이즈 분류 성능을 비교한다

성능/효과

모형의 분류 성능을 측정하기 위해 정확성(Acc, Accuracy), 민감도(Sen, Sensitivity), 특이도(Spe, Specificity), 정밀도(Pre, Precision), F-1 점수(F1)를 사용하였다. 4가지 모형에 대하여 5가지 분류 성능 지표를 교차 비교한 결과, NB가 5개 중 4개의 지표에서 가장 우수한 성능을 보였다.
따라서 SVD-PCA를 사용하여 차원을 축소하였다. SVD-PCA를 적용한 결과, 40개의 주성분을 선택할 때, 원래 정보의 90%를 유지할 수 있었다. 따라서 본 논문에서는 40개의 주성분을 이용한다.
실험에 사용된 데이터는 WIPS ON 특허 데이터베이스로부터 검색한 듀얼 카메라 특허이다. 검색 결과, 미국 특허 603건을 얻을 수 있었다. 노이즈 특허분류의 성능을 확인하기 위해 로지스틱 회귀모형(LR, Logistic Regression), 의사결정 나무모형(DT, Decision Tree), k-최근접 이웃모형(k-NN, k-Nearest Neighbor), 나이브 베이지안 분류 모형(NB, Naive Bayesian)을 사용하였다.
효율적인 특허분석을 위해 노이즈 특허를 잘 분류하는 모형을 탐색하는 연구를 진행하였다. 미국 듀얼 카메라 특허 603건으로 실험을 진행한 결과, 선행 연구에서 문서 분류에서 강점을 보였던 나이브 베이지안 분류 모형의 성능이 가장 우수함을 알 수 있었다.

후속연구

향후 연구에서는 노이즈 특허 여부가 보다 객관적으로 라벨링된 원데이터를 이용한 연구가 필요할 것으로 예상된다.

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

기계학습을 이용한 특허 분류의 성능 비교에 대한 연구
Performance Comparison of Patent Classification Using Machine Learning Models 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

기계학습을 이용한 특허 분류의 성능 비교에 대한 연구 Performance Comparison of Patent Classification Using Machine Learning Models 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

기계학습을 이용한 특허 분류의 성능 비교에 대한 연구
Performance Comparison of Patent Classification Using Machine Learning Models 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper