KR101628738B1 - 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 - Google Patents
학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 Download PDFInfo
- Publication number
- KR101628738B1 KR101628738B1 KR1020140147958A KR20140147958A KR101628738B1 KR 101628738 B1 KR101628738 B1 KR 101628738B1 KR 1020140147958 A KR1020140147958 A KR 1020140147958A KR 20140147958 A KR20140147958 A KR 20140147958A KR 101628738 B1 KR101628738 B1 KR 101628738B1
- Authority
- KR
- South Korea
- Prior art keywords
- issue
- risk
- issues
- attribute
- negative
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000009792 diffusion process Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 22
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000035755 proliferation Effects 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 5
- 230000002411 adverse Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- IBBLRJGOOANPTQ-JKVLGAQCSA-N quinapril hydrochloride Chemical compound Cl.C([C@@H](C(=O)OCC)N[C@@H](C)C(=O)N1[C@@H](CC2=CC=CC=C2C1)C(O)=O)CC1=CC=CC=C1 IBBLRJGOOANPTQ-JKVLGAQCSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/912—Applications of a database
- Y10S707/943—News
Abstract
본 발명은 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템에 관한 것으로, 학습형 룰베이스 방식의 부정적 이슈 감지 시스템은, 소셜 미디어들 상의 이슈들을 수집하여 매체 분류 룰셋(ruleset)에 기초하여 분류하여 저장하는 실시간 수집부; 상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정하는 확산 속도 감지부; 상기 각 버즈량과 각 빈도수가 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출하는 이슈 위험성 판정부; 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공하는 부정 이슈 패턴 학습부; 및 상기 산출된 이슈에 대한 위험성 정보를 시각화 인터페이스를 통해 제공하는 인터페이스 웹서버;를 포함한다.
Description
본 발명의 실시예는 영향 요인별 자동 제어가 가능한 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템에 관한 것이다.
최근에는 소셜 미디어가 기업, 정부, 개인에 이르기까지 소통과 홍보 등의 도구로 활용되고 있는 시대에, 소셜 미디어에서의 특성상 악성 루머, 불만 사항, 소문 등으로 시작하는 정보들이 짧은 시간에 해당 기업, 정부, 개인들을 위기 상황으로 몰아가는 경우가 흔히 발생하고 있다.
따라서, 최근에는 다양한 분야(예컨대, 정치, 경제, 사회 등)에서 무엇이 이슈가 되고 있는 지, 부정적인 정보들이 논란이 되고 있지 않은 지 등에 대해 심도 있게 분석하는 기술에 대한 수요가 높아지고 있다.
실제로, 기업들 사이에는 소셜 미디어에서 논란이 되어 기업이 위기 상태를 맞이한 사례를 기반으로 '소셜 미디어 상의 위기 대응 방법'등을 구체적으로 언급하며, 그에 대한 대책 마련을 고민하고 있는 사례도 빈번히 접할 수 있다.
그러나, 대부분의 소셜 미디어 분석 기술들(예컨대, Recorded Future, 다음소프트의 '소셜 메트릭스', 코난테크놀로지의 '펄스 K'등)은 소셜 미디어에서 최근 사람들의 관심이 높은 것이 무엇인지에 대해 초점을 맞춘 기술들 이 주류를 이루고 있는데, 이러한 기술들은 소셜 미디어에서의 전반적인 동향을 파악해 주고 이슈를 분석하는데 그치고 있으며, 실제 실시간으로 벌어지고 있는 위기 상황에 대한 대처에는 부적합하다는 문제가 있다.
따라서 실시간으로 기업, 정부, 개인 각각의 대상에 특화된 위기(Risk) 상황을 예측 및 인지하고, 예측 및 인지된 리스크 상황에 대해 신속하게 대처할 수 있도록 지원 가능한 기술에 대한 요구가 필요하다.
관련 선행기술로는 한국 공개특허공보 제10-2014-0119269호(발명의 명칭: 소셜 미디어 분석을 기반으로 복합이슈를 탐지하기 위한 장치, 시스템 및 그 방법, 공개일자: 2014년 10월 10일)가 있다.
본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 다양한 소셜 채널에서 폭발적으로 생성되고 확산되는 빅데이터를 실시간으로 감시하고 분석하여, 사회적 또는 특정 기업에 부정적인 이슈를 사전에 감지하고 확산의 조짐과 위험성을 예측하여 사용자에게 알려주는 시스템을 제공하여, 기업의 위험요소를 사전에 감지하고 나아가 사회적 안전 및 편익을 극대화하고자 한다.
전술한 문제를 해결하기 위한 본 실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 시스템은 소셜 미디어들 상의 이슈들을 수집하여 매체 분류 룰셋(ruleset)에 기초하여 분류하여 저장하는 실시간 수집부; 상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정하는 확산 속도 감지부; 상기 각 버즈량과 각 빈도수가 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출하는 이슈 위험성 판정부; 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공하는 부정 이슈 패턴 학습부; 및 상기 산출된 이슈에 대한 위험성 정보를 시각화 인터페이스를 통해 제공하는 인터페이스 웹서버;를 포함한다.
본 발명의 다른 일실시예에 따르면, 상기 실시간 수집부는 소셜 미디어들 상의 이슈들을 수집하는 실시간 수집 데이터베이스; 상기 수집된 이슈들을 매체 분류 룰셋(ruleset)에 기초하여 분류하는 매체 분류 모듈; 및 상기 분류된 이슈들을 분류하여 저장하는 매체 분류 데이터베이스;를 포함하고, 상기 확산 속도 감지부는 상기 이슈 상의 키워드들에 대한 각 버즈량을 계산하는 키워드 버즈량 계산 모듈; 상기 이슈 상의 키워드들에 대한 각 빈도수를 계산하는 키워드 빈도수 계산 모듈; 및 각 키워드별로 상기 버즈량과 상기 빈도수가 높은 이슈들을 선정하는 확산 속도 계산 모듈;를 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 이슈 위험성 판정부는 산업/기업 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드에 대한 산업별 및 기업별 위험 민감도에 대한 점수를 계산하는 산업/기업별 평가 모듈; 사용자 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드의 확산에 참여하고 있는 사용자들의 개별적인 위험성에 상응하게, 확산의 위험성에 대한 점수를 계산하는 사용자별 영향 평가 모듈; 및 매체별 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드가 언급된 매체, 언론, 커뮤니티, 포털 각각에 대한 위험 민감도에 상응하게, 확산의 위험성에 대한 점수를 계산하는 매체별 영향력 평가 모듈;을 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 이슈 위험성 판정부는 상기 산업/기업별 평가 모듈에서 계산된 상기 산업별 및 기업별 위험 민감도에 대한 점수, 상기 사용자별 영향 평가 모듈에서 계산된 상기 확산의 위험성에 대한 점수, 그리고 상기 매체별 영향력 평가 모듈에서 계산된 상기 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하는 가중치 적용 모듈; 및 상기 영향 요인별 속성값을 이용하여 상기 이슈에 대한 위험성 정보를 산출하는 위험성 평가 모듈;을 더 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 부정 이슈 패턴 학습부는 관리자 인터페이스를 통해 입력되는 위험성 알림 민감도의 임계치와 상기 영향 요인별 속성값에 대한 가중치를 입력 받아 구성한 관리자 룰셋에 기초하여, 상기 이슈의 발생시 확산의 속도와 이슈의 위험성을 평가하여 생성한 상기 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 상기 분석 결과 누적 데이터베이스에 저장하는 발생 이슈 평가 모듈; 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사 여부를 판단하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하는 기존 사건 패턴 매칭 모듈; 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜 상기 매체별 세부 속성 룰셋, 상기 사용자 세부 속성 룰셋 및 상기 산업/기업 세부 속성 룰셋에 반영하며, 확산이 발생한 이슈가 부정적인 결과를 초래하는 이슈이면 상기 부정 이슈 사건 룰셋에 반영하는 속성별 룰셋 반영 모듈; 및 상기 분석 결과에 따라 상기 신규 이슈에 대한 가중치를 증가 또는 감소시키는 속성별 가중치 반영 모듈;을 포함할 수 있다.
본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 방법은 실시간 수집부가 소셜 미디어들 상의 이슈들을 수집하여 매체 분류 룰셋(ruleset)에 기초하여 분류하여 저장하는 제1 단계; 확산 속도 감지부가 상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정하는 제2 단계; 이슈 위험성 판정부가 상기 각 버즈량과 각 빈도수가 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출하는 제3 단계; 부정 이슈 패턴 학습부가 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공하는 제4 단계; 및 인터페이스 웹서버가 상기 산출된 이슈에 대한 위험성 정보를 시각화 인터페이스를 통해 제공하는 제5 단계;를 포함한다.
본 발명의 실시예에 따르면 부정적 이슈에 영향을 미치는 요인들을 매체별, 영향력을 미치는 사용자별, 산업/기업 속성별로 나누어 세부적으로 제어가 가능하도록 하고, 부정 이슈로 감지된 이슈 후보군들에 대해 위험성 판정이 확정된 경우와 보류된 경우를 파악하여 각각의 영향요인 룰셋에 자동으로 반영하는 학습형 알고리즘을 적용하여, 부정적 이슈들에 대한 각종 영향 요인들의 패턴들을 학습하여 보다 정교하고 신뢰도가 높은 이슈 감지 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 시스템의 개념도이다.
도 2는 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 방법을 설명하기 위한 흐름도이다.
이하에서는 첨부한 도면을 참조하여 바람직한 본 발명의 일실시예에 대해서 상세히 설명한다. 다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.
도 1은 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 시스템의 개념도이다.
도 1을 참조하여 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 시스템을 설명하기로 한다.
도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 시스템은 실시간 수집부(100), 확산 속도 감지부(200), 이슈 위험성 판정부(300), 부정 이슈 패턴 학습부(500) 및 인터페이스 웹서버(420)를 포함한다.
실시간 수집부(100)는 소셜 미디어들(110) 상의 이슈들을 실시간으로 수집하여 매체 분류 룰셋(ruleset)(140)에 기초하여 분류하여 저장한다.
이때, 실시간 수집부(100)는 실시간 수집 데이터베이스(120), 매체 분류 모듈(130) 및 매체 분류 데이터베이스(150)를 포함하여 구성된다.
보다 상세하게 설명하면, 상기 실시간 수집 데이터베이스(120)는 소셜 미디어들(110) 상의 이슈들을 수집하고, 상기 매체 분류 모듈(130)은 상기 수집된 이슈들을 매체 분류 룰셋(ruleset)(140)에 기초하여 분류하며, 매체 분류 데이터베이스(150)는 상기 분류된 이슈들을 분류하여 저장할 수 있다.
상기 확산 속도 감지부(200)는 상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정한다.
본 발명의 일실시예에 따른 버즈량이라 함은 소셜 미디어들(110) 상에서 언급되거나 연관 키워드로서 검색된 량을 말한다.
이때, 확산 속도 감지부(200)는 키워드 버즈량 계산 모듈(210), 키워드 빈도수 계산 모듈(220) 및 확산 속도 계산 모듈(230)을 포함하여 구성된다.
보다 상세하게 설명하면, 상기 키워드 버즈량 계산 모듈(210)은 상기 이슈 상의 키워드들에 대한 각 버즈량을 계산하고, 키워드 빈도수 계산 모듈(220)은 상기 이슈 상의 키워드들에 대한 각 빈도수를 계산하며, 확산 속도 계산 모듈(230)은 각 키워드별로 상기 버즈량과 상기 빈도수가 높은 이슈들을 선정할 수 있다.
이슈 위험성 판정부(300)는 상기 선정된 확산 위험성이 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출한다.
보다 상세하게 설명하면, 상기 이슈 위험성 판정부(300)는 키워드 필터링 모듈(311)을 포함하는 부정 이슈 감지부(310), 산업/기업별 평가 모듈(321), 사용자별 영향 평가 모듈(322), 매체별 영향력 평가 모듈(323), 가중치 적용 모듈(340) 및 위험성 평가 모듈(350)을 포함하여 구성되며, 상기 산업/기업별 평가 모듈(321), 사용자별 영향 평가 모듈(322) 및 매체별 영향력 평가 모듈(323)은 영향 요인 감지부(320)에 포함되어 구성될 수 있다.
상기 키워드 필터링 모듈(311)은 부정 이슈 사건 룰셋(312)에 기초하여 상기 선정된 확산 위험성이 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링한다.
또한, 상기 산업/기업별 평가 모듈(321)은 산업/기업 속성 룰셋(327)에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드에 대한 산업별 및 기업별 위험 민감도에 대한 점수를 계산할 수 있다.
상기 사용자별 영향 평가 모듈(322)은 사용자 세부 속성 룰셋(326)에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드의 확산에 참여하고 있는 사용자들의 개별적인 위험성에 상응하게, 확산의 위험성에 대한 점수를 계산할 수 있다.
매체별 영향력 평가 모듈(323)은 매체별 세부 속성 룰셋(325)에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드가 언급된 매체, 언론, 커뮤니티, 포털 각각에 대한 위험 민감도에 상응하게, 확산의 위험성에 대한 점수를 계산할 수 있다.
가중치 적용 모듈(340)은 상기 산업/기업별 평가 모듈(232)에서 계산된 상기 산업별 및 기업별 위험 민감도에 대한 점수, 상기 사용자별 영향 평가 모듈(322)에서 계산된 상기 확산의 위험성에 대한 점수, 그리고 상기 매체별 영향력 평가 모듈(321)에서 계산된 상기 확산의 위험성에 대한 점수인 영향 요인별 속성값(330)에 대하여 가중치를 적용한다.
따라서, 위험성 평가 모듈(350)은 상기 영향 요인별 속성값(330)을 이용하여 상기 이슈에 대한 위험성 정보를 산출할 수 있다.
분석 결과 누적 데이터베이스(410)는 산출된 상기 이슈에 대한 위험성 정보를 누적하여 저장하며, 인터페이스 웹서버(420)는 상기 산출된 이슈에 대한 위험성 정보를 웹 페이지부(600)를 통해 시각화 인터페이스(610)의 형태로 제공할 수 있다.
즉, 인터페이스 웹서버(420)는 시각화 인터페이스(610)를 통하여 지금까지 이슈 자체의 위험성과 확산의 위험성이 높다고 판정된 이슈를 각종 실시간 차트의 형태로 제공할 수 있으며, 위험성이 높다고 판정되는 이슈에 대하여 사전에 등록된 사용자에게 이메일 또는 RSS 등의 알림 인터페이스(630) 통하여 제공할 수 있다.
클라이언트(700)는 관리자 인터페이스(620)를 통해 위험성을 판정하는 특정 상수로 구성된 위험 알림의 민감도 임계치와 요인별 가중치를 설정하여 관리자 룰셋(430)을 구성할 수 있으며, 클라이언트(700)는 관리자 인터페이스(620)를 통해 기 발생한 부정 이슈 또는 관리하고자 하는 부정 이슈에 대한 사항을 기록하여 지속적으로 감시할 수 있다.
부정 이슈 패턴 학습부(500)는 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공한다.
상기와 같은 부정 이슈 패턴 학습부(500)는 발생 이슈 평가 모듈(510), 기존 사건 패턴 매칭 모듈(520), 속성별 룰셋 반영 모듈(530) 및 속성별 가중치 반영 모듈(540)을 포함한다.
보다 상세하게 설명하면, 발생 이슈 평가 모듈(510)은 관리자 인터페이스(620)를 통해 입력되는 위험성 알림 민감도의 임계치와 상기 영향 요인별 속성값에 대한 가중치를 입력 받아 구성한 관리자 룰셋(430)에 기초하여, 상기 이슈의 발생시 확산의 속도와 이슈의 위험성을 평가하여 생성한 상기 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 상기 분석 결과 누적 데이터베이스(410)에 저장한다.
또한, 기존 사건 패턴 매칭 모듈(520)은 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사 여부를 판단하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석한다.
또한, 속성별 룰셋 반영 모듈(530)은 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜 상기 매체별 세부 속성 룰셋(325), 상기 사용자 세부 속성 룰셋(326) 및 상기 산업/기업 세부 속성 룰셋(327)에 반영하며, 확산이 발생한 이슈가 부정적인 결과를 초래하는 이슈이면 상기 부정 이슈 사건 룰셋(312)에 반영한다.
속성별 가중치 반영 모듈(540)은 상기 분석 결과에 따라 상기 신규 이슈에 대한 가중치를 증가 또는 감소시켜, 가중치 적용 모듈(340)로 전달한다.
도 2는 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 방법을 설명하기 위한 흐름도이다.
도 2를 참조하여 본 발명의 일실시예에 따른 학습형 룰베이스 방식의 부정적 이슈 감지 방법을 설명하기로 한다.
먼저, 실시간 수집 데이터베이스가 소셜 미디어들 상의 이슈들을 수집하고(S805), 상기 매체 분류 모듈이 상기 수집된 이슈들을 매체 분류 룰셋(ruleset)에 기초하여 분류하며(S810), 매체 분류 데이터베이스가 상기 분류된 이슈들을 분류하여 저장할 수 있다(S815).
이후, 키워드 버즈량 계산 모듈이 상기 이슈 상의 키워드들에 대한 각 버즈량을 계산하고, 키워드 빈도수 계산 모듈이 상기 이슈 상의 키워드들에 대한 각 빈도수를 계산하며(S820), 확산 속도 계산 모듈이 각 키워드별로 상기 버즈량과 상기 빈도수가 높은 이슈들을 선정할 수 있다(S825).
이후에는, 키워드 필터링 모듈이 부정 이슈 사건 룰셋에 기초하여 상기 선정된 확산 위험성이 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링한다(S830).
이후, 산업/기업별 평가 모듈이 산업/기업 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드에 대한 산업별 및 기업별 위험 민감도에 대한 점수를 계산하고, 상기 사용자별 영향 평가 모듈이 사용자 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드의 확산에 참여하고 있는 사용자들의 개별적인 위험성에 상응하게, 확산의 위험성에 대한 점수를 계산하며, 매체별 영향력 평가 모듈이 매체별 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드가 언급된 매체, 언론, 커뮤니티, 포털 각각에 대한 위험 민감도에 상응하게, 확산의 위험성에 대한 점수를 계산할 수 있다(S835).
그에 따라, 가중치 적용 모듈은 상기 산업별 및 기업별 위험 민감도에 대한 점수, 상기 확산의 위험성에 대한 점수, 그리고 상기 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하고(S840), 위험성 평가 모듈이 상기 영향 요인별 속성값을 이용하여 상기 이슈에 대한 위험성 정보를 산출한다(S845).
이후에는, 분석 결과 누적 데이터베이스가 산출된 상기 이슈에 대한 위험성 정보를 누적하여 저장하며, 인터페이스 웹서버가 상기 산출된 이슈에 대한 위험성 정보를 웹 페이지부를 통해 시각화 인터페이스의 형태로 제공할 수 있다(S850).
이후, 부정 이슈 패턴 학습부가 상기 누적된 이슈에 대한 위험성 정보를 이용하여 부정 이슈 패턴을 학습할 수 있다(S855).
즉, 상기 부정 이슈 패턴 학습부는 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공할 수 있다.
보다 상세하게 설명하면, 발생 이슈 평가 모듈이 관리자 인터페이스를 통해 입력되는 위험성 알림 민감도의 임계치와 상기 영향 요인별 속성값에 대한 가중치를 입력 받아 구성한 관리자 룰셋에 기초하여, 상기 이슈의 발생시 확산의 속도와 이슈의 위험성을 평가하여 생성한 상기 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 상기 분석 결과 누적 데이터베이스에 저장하며, 기존 사건 패턴 매칭 모듈이 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사 여부를 판단하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석한다.
또한, 속성별 룰셋 반영 모듈이 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜 상기 매체별 세부 속성 룰셋, 상기 사용자 세부 속성 룰셋 및 상기 산업/기업 세부 속성 룰셋에 반영하며, 확산이 발생한 이슈가 부정적인 결과를 초래하는 이슈이면 상기 부정 이슈 사건 룰셋에 반영하며, 속성별 가중치 반영 모듈이 상기 분석 결과에 따라 상기 신규 이슈에 대한 가중치를 증가 또는 감소시켜, 가중치 적용 모듈로 전달하여, 속성 별로 다양한 룰셋 및 가중치에 학습 내용을 적용할 수 있다(S860).
본 발명의 실시예에 따르면 부정적 이슈에 영향을 미치는 요인들을 매체별, 영향력을 미치는 사용자별, 산업/기업 속성별로 나누어 세부적으로 제어가 가능하도록 하고, 부정 이슈로 감지된 이슈 후보군들에 대해 위험성 판정이 확정된 경우와 보류된 경우를 파악하여 각각의 영향요인 룰셋에 자동으로 반영하는 학습형 알고리즘을 적용하여, 부정적 이슈들에 대한 각종 영향 요인들의 패턴들을 학습하여 보다 정교하고 신뢰도가 높은 이슈 감지 방법 및 시스템을 제공할 수 있다.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
110: 실시간 수집부 120: 실시간 수집 데이터베이스
130: 매체 분류 모듈 140: 매체 분류 룰셋
150: 매체 분류 데이터베이스 200: 확산 속도 감지부
210: 키워드 버즈량 계산 모듈 220: 키워드 빈도수 계산 모듈
230: 확산 속도 계산 모듈 300: 이슈 위험성 판정부
310: 부정 이슈 감지부 311: 키워드 필터링 모듈
312: 부정 이슈 사건 룰셋 321: 산업/기업별 평가 모듈
322: 사용자별 영향 평가 모듈 323: 매체별 영향력 평가 모듈
325: 매체별 세부 속성 룰셋 326: 사용자 세부 속성 룰셋
327: 산업/기업 세부 속성 룰셋 330: 영향 요인별 속성값
340: 가중치 적용 모듈 350: 위험성 평가 모듈
410: 분석 결과 누적 데이터베이스 420: 인터페이스 웹서버
430: 관리자 룰셋 500: 부정 이슈 패턴 학습부
510: 발생 이슈 평가 모듈 520: 기존 사건 패턴 매칭 모듈
530: 속성별 룰셋 반영 모듈 540: 속성별 가중치 반영 모듈
600: 웹 페이지부 610: 시각화 인터페이스
620: 관리자 인터페이스 630: 알림 인터페이스
700: 클라이언트
130: 매체 분류 모듈 140: 매체 분류 룰셋
150: 매체 분류 데이터베이스 200: 확산 속도 감지부
210: 키워드 버즈량 계산 모듈 220: 키워드 빈도수 계산 모듈
230: 확산 속도 계산 모듈 300: 이슈 위험성 판정부
310: 부정 이슈 감지부 311: 키워드 필터링 모듈
312: 부정 이슈 사건 룰셋 321: 산업/기업별 평가 모듈
322: 사용자별 영향 평가 모듈 323: 매체별 영향력 평가 모듈
325: 매체별 세부 속성 룰셋 326: 사용자 세부 속성 룰셋
327: 산업/기업 세부 속성 룰셋 330: 영향 요인별 속성값
340: 가중치 적용 모듈 350: 위험성 평가 모듈
410: 분석 결과 누적 데이터베이스 420: 인터페이스 웹서버
430: 관리자 룰셋 500: 부정 이슈 패턴 학습부
510: 발생 이슈 평가 모듈 520: 기존 사건 패턴 매칭 모듈
530: 속성별 룰셋 반영 모듈 540: 속성별 가중치 반영 모듈
600: 웹 페이지부 610: 시각화 인터페이스
620: 관리자 인터페이스 630: 알림 인터페이스
700: 클라이언트
Claims (6)
- 소셜 미디어들 상의 이슈들을 수집하여 매체 분류 룰셋(ruleset)에 기초하여 분류하여 저장하는 실시간 수집부;
상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정하는 확산 속도 감지부;
상기 각 버즈량과 각 빈도수가 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출하는 이슈 위험성 판정부;
상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공하는 부정 이슈 패턴 학습부; 및
상기 산출된 이슈에 대한 위험성 정보를 시각화 인터페이스를 통해 제공하는 인터페이스 웹서버;
를 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 시스템. - 청구항 1에 있어서,
상기 실시간 수집부는,
소셜 미디어들 상의 이슈들을 수집하는 실시간 수집 데이터베이스;
상기 수집된 이슈들을 매체 분류 룰셋(ruleset)에 기초하여 분류하는 매체 분류 모듈; 및
상기 분류된 이슈들을 분류하여 저장하는 매체 분류 데이터베이스;를 포함하고,
상기 확산 속도 감지부는,
상기 이슈 상의 키워드들에 대한 각 버즈량을 계산하는 키워드 버즈량 계산 모듈;
상기 이슈 상의 키워드들에 대한 각 빈도수를 계산하는 키워드 빈도수 계산 모듈; 및
각 키워드별로 상기 버즈량과 상기 빈도수가 높은 이슈들을 선정하는 확산 속도 계산 모듈;
을 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 시스템. - 청구항 1에 있어서,
상기 이슈 위험성 판정부는,
산업/기업 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드에 대한 산업별 및 기업별 위험 민감도에 대한 점수를 계산하는 산업/기업별 평가 모듈;
사용자 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드의 확산에 참여하고 있는 사용자들의 개별적인 위험성에 상응하게, 확산의 위험성에 대한 점수를 계산하는 사용자별 영향 평가 모듈; 및
매체별 세부 속성 룰셋에 기초하여, 상기 도메인에 부정적인 결과를 초래하는 이슈들의 키워드가 언급된 매체, 언론, 커뮤니티, 포털 각각에 대한 위험 민감도에 상응하게, 확산의 위험성에 대한 점수를 계산하는 매체별 영향력 평가 모듈;
을 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 시스템. - 청구항 3에 있어서,
상기 이슈 위험성 판정부는,
상기 산업/기업별 평가 모듈에서 계산된 상기 산업별 및 기업별 위험 민감도에 대한 점수, 상기 사용자별 영향 평가 모듈에서 계산된 상기 확산의 위험성에 대한 점수, 그리고 상기 매체별 영향력 평가 모듈에서 계산된 상기 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하는 가중치 적용 모듈; 및
상기 영향 요인별 속성값을 이용하여 상기 이슈에 대한 위험성 정보를 산출하는 위험성 평가 모듈;
을 더 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 시스템. - 청구항 1에 있어서,
상기 부정 이슈 패턴 학습부는,
관리자 인터페이스를 통해 입력되는 위험성 알림 민감도의 임계치와 상기 영향 요인별 속성값에 대한 가중치를 입력 받아 구성한 관리자 룰셋에 기초하여, 상기 이슈의 발생시 확산의 속도와 이슈의 위험성을 평가하여 생성한 상기 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 상기 분석 결과 누적 데이터베이스에 저장하는 발생 이슈 평가 모듈;
상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사 여부를 판단하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하는 기존 사건 패턴 매칭 모듈;
상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜 상기 매체별 세부 속성 룰셋, 상기 사용자 세부 속성 룰셋 및 상기 산업/기업 세부 속성 룰셋에 반영하며, 확산이 발생한 이슈가 부정적인 결과를 초래하는 이슈이면 상기 부정 이슈 사건 룰셋에 반영하는 속성별 룰셋 반영 모듈; 및
상기 분석 결과에 따라 상기 신규 이슈에 대한 가중치를 증가 또는 감소시키는 속성별 가중치 반영 모듈;
을 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 시스템. - 실시간 수집부가 소셜 미디어들 상의 이슈들을 수집하여 매체 분류 룰셋(ruleset)에 기초하여 분류하여 저장하는 제1 단계;
확산 속도 감지부가 상기 이슈의 키워드들에 대하여 계산한 각 버즈량과 각 빈도수가 높은 이슈들을 선정하는 제2 단계;
이슈 위험성 판정부가 상기 각 버즈량과 각 빈도수가 높은 이슈들로부터 도메인에 부정적인 결과를 초래하는 이슈들을 필터링하고, 산업별 및 기업별 위험 민감도에 대한 점수, 사용자별 및 매체별 확산의 위험성에 대한 점수인 영향 요인별 속성값에 가중치를 적용하여 상기 이슈에 대한 위험성 정보를 산출하는 제3 단계;
부정 이슈 패턴 학습부가 상기 이슈의 발생시에 평가한 확산의 속도와 이슈의 위험성에 기초하여 생성한 영향 요인별 속성값 및 상기 가중치에 대한 데이터를 저장하고, 상기 이슈와 동일한 주제의 신규 이슈의 발생시, 상기 영향 요인별 속성값과 비교하여 유사한 상기 이슈가 확산되거나 고위험 상황이었는지의 패턴을 분석하고, 상기 분석 결과에 따라 상기 신규 이슈에 대한 상기 영향 요인별 속성값을 증가 또는 감소시켜, 상기 이슈 위험성 판정부에 제공하는 제4 단계; 및
인터페이스 웹서버가 상기 산출된 이슈에 대한 위험성 정보를 시각화 인터페이스를 통해 제공하는 제5 단계;
를 포함하는 학습형 룰베이스 방식의 부정적 이슈 감지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140147958A KR101628738B1 (ko) | 2014-10-29 | 2014-10-29 | 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140147958A KR101628738B1 (ko) | 2014-10-29 | 2014-10-29 | 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20160050241A KR20160050241A (ko) | 2016-05-11 |
| KR101628738B1 true KR101628738B1 (ko) | 2016-06-09 |
Family
ID=56025237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140147958A KR101628738B1 (ko) | 2014-10-29 | 2014-10-29 | 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101628738B1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102019860B1 (ko) * | 2018-05-24 | 2019-09-09 | 주식회사 한컴위드 | 사용자의 네트워크 활동 정보에 기초한 신용 평가 등급 산출 장치 및 그 동작 방법 |
| KR102202139B1 (ko) | 2018-12-17 | 2021-01-12 | 지속가능발전소 주식회사 | 협력업체 공급망 리스크 분석 방법, 이를 수행하기 위한 기록매체 |
| KR102076657B1 (ko) * | 2019-05-31 | 2020-02-12 | 주식회사 브레인커머스 | 기업의 위기 조짐 모니터링을 위한 기업 위험도 분석 방법 및 이를 위한 장치 |
| KR102396413B1 (ko) * | 2020-06-25 | 2022-05-09 | 윤성종 | 빅데이터와 인공지능을 활용한 소셜 빅데이터 분석보고서 자동 제공 시스템 |
| CN117579389B (zh) * | 2024-01-16 | 2024-04-05 | 北京源堡科技有限公司 | 基于风险暴露面的网络安全评估方法、系统、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5282857B1 (ja) | 2011-11-18 | 2013-09-04 | 日本電気株式会社 | 情報拡散規模予測装置、情報拡散規模予測方法、および情報拡散規模予測プログラム |
| KR101429397B1 (ko) | 2013-04-11 | 2014-08-14 | 전북대학교산학협력단 | 소셜 네트워크 서비스의 메시지 분석을 이용한 핵심사건 추출 방법 및 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101405309B1 (ko) * | 2012-09-11 | 2014-06-13 | 고려대학교 산학협력단 | 소셜 네트워크 서비스 데이터에 기반한 질병 확산 상황 예측 장치 및 방법 |
| KR101907041B1 (ko) * | 2012-12-17 | 2018-10-11 | 한국전자통신연구원 | 소셜 웹 콘텐츠에서의 예측 기반 리스크 관리 장치 및 그 방법 |
-
2014
- 2014-10-29 KR KR1020140147958A patent/KR101628738B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5282857B1 (ja) | 2011-11-18 | 2013-09-04 | 日本電気株式会社 | 情報拡散規模予測装置、情報拡散規模予測方法、および情報拡散規模予測プログラム |
| KR101429397B1 (ko) | 2013-04-11 | 2014-08-14 | 전북대학교산학협력단 | 소셜 네트워크 서비스의 메시지 분석을 이용한 핵심사건 추출 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20160050241A (ko) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101628738B1 (ko) | 학습형 룰베이스 방식의 부정적 이슈 감지 방법 및 시스템 | |
| Selbst | Disparate impact in big data policing | |
| CN106789885B (zh) | 一种大数据环境下用户异常行为检测分析方法 | |
| Gritzalis et al. | History of information: the case of privacy and security in social media | |
| US10657250B2 (en) | Method and apparatus for detecting anomaly based on behavior-analysis | |
| Altwaijry | Bayesian based intrusion detection system | |
| KR101907041B1 (ko) | 소셜 웹 콘텐츠에서의 예측 기반 리스크 관리 장치 및 그 방법 | |
| Kumar et al. | Comparative study on email spam classifier using data mining techniques | |
| KR20170056045A (ko) | 다양한 웹 서비스 환경에서 사용자의 행위 패턴 분석을 통한 이상행위 탐지 방법과 그를 위한 장치 | |
| KR101692982B1 (ko) | 로그 분석 및 특징 자동 학습을 통한 위험 감지 및 접근제어 자동화 시스템 | |
| Viviani et al. | Quantifier guided aggregation for the veracity assessment of online reviews | |
| Pérez‐Granados | BirdNET: applications, performance, pitfalls and future opportunities | |
| Rajabi et al. | User behavior modelling for fake information mitigation on social web | |
| CN111782484B (zh) | 一种异常检测方法及装置 | |
| Van Der Aalst | Green Data Science | |
| Koutsouvelis et al. | Detection of insider threats using artificial intelligence and visualisation | |
| Yildirim et al. | Mitigating insider threat by profiling users based on mouse usage pattern: ensemble learning and frequency domain analysis | |
| Chaurasia et al. | A survey on terrorist network mining: current trends and opportunities | |
| Zhang et al. | Network anomaly detection using one class support vector machine | |
| Li et al. | Moral machines or tyranny of the majority? A systematic review on predictive bias in education | |
| Perez et al. | A dynamic approach to detecting suspicious profiles on social platforms | |
| KR101568800B1 (ko) | 실시간 이슈 검색어 선별 방법 및 시스템 | |
| CN107623677B (zh) | 数据安全性的确定方法和装置 | |
| Potha et al. | Time series forecasting in cyberbullying data | |
| Mavriki et al. | Profiling with Big Data: Identifying Privacy Implication for Individuals, Groups and Society |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190327 Year of fee payment: 4 |