지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2018
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
빅데이터는 비정형 데이터인 텍스트로 이루어져 있어 텍스트 마이닝을 통해 정책 수립, 의사 결정에 대한 유의미한 정보를 도출할 수 있는 분석이 가능하다. 텍스트 마이닝 기법 중 순환 신경망을 사용한 최근의 연구들은 기존의 딥러닝 알고리즘인 CNN 및 다른 기계학습 알고리즘보다 성능이 향상된 것을 확인할 수 있다. 딥러닝 알고리즘은 양질의 학습 데이터의 양에 따라 학습의 효율 및 결과가 달라진다. 따라서 본 연구에서는 Word2Vec 모델을 이용한 학습 데이터를 증강하는 기법을 적용하여 재난 문장탐지 모델의 정확도가 개선되는지를 확인해보았다. 또한, 순환 신경망의 종류인 LSTM과 GRU를 이용한 텍스트 분석 결과를 비교하여 소셜미디어에서의 화재 발생의 정보를 담고 있는 문장을 탐지하는 방법의 정확도를 향상하고자 한다.
본 연구에서 제안하는 재난 문장탐지 모델은 데이터를 증강하는 과정과 모델이 학습하는 단계에서 선행연구보다 사용자의 개입을 최소화하고, 정확도를 향상했다. 또한, 탐지된 재난 문장은 추후 개체명 인식을 이용하여 정형화할 수 있어 비정형 데이터에서의 재난 위치를 비롯한 정보를 추출할 수 있다는 점에서 의의가 있다.
본 연구에서 제안하는 재난 문장탐지 모델은 데이터를 증강하는 과정과 모델이 학습하는 단계에서 선행연구보다 사용자의 개입을 최소화하고, 정확도를 향상했다. 또한, 탐지된 재난 문장은 추후 개체명 인식을 이용하여 정형화할 수 있어 비정형 데이터에서의 재난 위치를 비롯한 정보를 추출할 수 있다는 점에서 의의가 있다.
목차
1. 서론 11.1 연구 배경 및 목적 11.2 연구 동향 41.3 연구 범위 및 방법 82. 이론적 배경 102.1 텍스트 전처리 102.1.1 워드 임베딩 기법 102.1.2 데이터 증강 기법 122.2 순환 신경망 142.2.1 RNN(Recurrent Neural Network) 142.2.2 LSTM(Long Short-Term Memory Unit) 172.2.3 GRU(Gated Recurrent Unit) 213. 실험 방법 243.1 데이터 243.2 설계 263.2.1 전체 구조 263.2.2 딥러닝 모델 구조 274. 실험 및 결과 304.1 데이터 처리 304.2 화재 재난 문장탐지 모델 평가 354.2.1 모델 평가 354.2.2 정확도 평가 394.3 트위터 데이터 적용 결과 434.4 재난 문장탐지 활용 방안 475. 결론 51참고문헌 53Abstract 58
최근 본 자료
댓글(0)
0