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
- 적절한 메타데이터 생성을 목표로 본 논문에서는 기존 bi-directetional LSTM 모델의 확장을 기반으로 SEO 기술에 접목하고자 한다. 따라서 bi-directional LSTM 모델을 기반으로 각 특성을 분석하고, 그 결과를 바탕으로 발생 가능한 특성들의 분류와 패턴을 수립하고자 한다.
- 기존의 bi-directional LSTM은 네트워크상의 의존 관계 정보를 포함하고 시스템의 성능 향상에 크게 기여해왔다. 본 논문에서는 (Linqing Liu etal, 2018) 방법론을 적용하여 문서의 내용을 적절히 고려한 메타데이터 생성 및 추천을 위한 방법론을 제안한다.
- 따라서 인공지능 기술을 접목하여 보다 더 객관적인 메타데이터 의사결정을 위한 지표가 필요성이 있다. 본 연구에서는 사용자 질의어를 고려한 GAN 모델링 기반 자동 메타데이터 자동 생성을 위한 접근법을 제안하고자 한다.
- 아래 [표 1]은 정형화된 각각의 태그들은 검색엔진에게 노출되는 웹사이트의 지시자 역할을 수행한다. 이는 학습을 위하여 전처리 과정에서 사용되며, 각각의 메타데이터들의 다른 특징점들을 추출하고, 그 평균 벡터를 바탕으로 메타데이터를 반복 복제함으로써 적절한 메타데이터를 생성 및 추출하고자 한다.
- 이에 본 연구에서는 온라인 마케팅을 위해 동적메타데이터 생성 및 추천을 위한 방법론을 제안하였다. 이는 온라인 마케팅 지표로서 확장될 수 있으며, 기업측면에서 온라인 마케팅 성공을 위한 해결책이 될 수 있음을 기대한다.
- 오프 페이지 최적화(off-page optimization, off-page SEO, off-site SEO, off-site optimization)는 웹 사이트와 분리되어 사이트의 순위에 영향을 주는 외부 요인을 제어하는 기술을 의미한다. 자신의 웹 사이트 의 인기도, 관련성, 신뢰성 및 권한에 대한 검색 엔진 및 사용자 인식을 향상시키는 것을 목표로 한다.
- 적절한 메타데이터 생성을 목표로 본 논문에서는 기존 bi-directetional LSTM 모델의 확장을 기반으로 SEO 기술에 접목하고자 한다. 따라서 bi-directional LSTM 모델을 기반으로 각 특성을 분석하고, 그 결과를 바탕으로 발생 가능한 특성들의 분류와 패턴을 수립하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.