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.
제안 방법
- 와 같이 사용, 변환, 금지어 기준으로 진행하였고, 사용 기준으로는 실체가 명확한 것( 물리적으로 존재 ), 업무에 명확한 단어로 진행하였다. 변환 기준으로는 형용사 + 명사 형태의 어절, 명사 + 어미 형태의 어절을 진행하였고, 금지어 기준으로는 불특정한 부서에서도 사용 가능한 단어 제거, 추상적인 단어 제거, 형용사/ 부사 형태의 단어를 제거하는 방법으로 진행하였다.
- 본 논문은 총 52개의 부서 민원 내용을 수집을 하여, 내용 분석 및 분류 처리 기술을 활용해 민원 내용에 해당되는 부서에 맞게 분류를 진행해 주는 내용을 다룬다.
- 4. 와 같이 데이터 저장을 위한 Moedling을 수행하였고, KoNLP에서 사전을 받아서 DB에 생성시키는 작업을 수행하였고, R을 활용해 Data 분할 작업 수행한 뒤 단어가 1자 이상인 것만 발취하였다.
대상 데이터
- 광주 시청 홈페이지에서 1,676건의 VOC 데이터를 crawling으로 작업한 후 Fig. 2. 와 같이 수집하여 분석에 착수(총 52개의 부서에 대한 데이터 수집) 했다.
- 2. 와 같이 수집하여 분석에 착수(총 52개의 부서에 대한 데이터 수집) 했다.
데이터처리
- 모델링에 데이터를 활용하여 정확도 검증을 위해 R을 활용하여 시각화 작업을 진행하였고, 다양한 시각화 분석 방법 중에 가장 정확도가 높게 나왔던 Fig.7 와 같이 tf_idf, Rule 기반으로 활용해서 진행하였다.
이론/모형
- 본 논문의 데이터를 분석하는 방법으로는 TEXT MINING 기법을 활용하였고, 과제 수행 및 알고리즘 개발을 위하여 데이터 분석 방법에 특성 이해를 위해 Fig.3와 같은 그림으로 표현해 보았다.
- 분석 모델의 특징으로 다양한 분석 모델 적용해본 결과 단어 사전, 시각화 작업으로 진행하였는데 단어 사전으로는 분류 모델에 대한 분석 방법은 일반적 사전 + 업무 사전을 기준으로 형태소 분석 수행이 가장 적절했고, 형태소 분석에 대한 문제 해결은 단어 변환으로 해결하 였다. 시각화 작업으로는 여러 가지의 분류 모델 중에 가장 정확도가 높은 것을 선택적으로 활용하였다(tf_dif, Rule 방식 활용하였고 Rule 방식에서는 확률 값을 기준으로 한 오 분류에 내용 파악이 가능했다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.