KR20190102529A - 토픽을 이용한 타겟 분석 장치 및 방법 - Google Patents

토픽을 이용한 타겟 분석 장치 및 방법 Download PDF

Info

Publication number
KR20190102529A
KR20190102529A KR1020180023009A KR20180023009A KR20190102529A KR 20190102529 A KR20190102529 A KR 20190102529A KR 1020180023009 A KR1020180023009 A KR 1020180023009A KR 20180023009 A KR20180023009 A KR 20180023009A KR 20190102529 A KR20190102529 A KR 20190102529A
Authority
KR
South Korea
Prior art keywords
topics
words
text messages
target
topic
Prior art date
Application number
KR1020180023009A
Other languages
English (en)
Other versions
KR102150560B1 (ko
Inventor
이석준
조윤재
윤재웅
전재헌
송현정
전종수
Original Assignee
광운대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020180023009A priority Critical patent/KR102150560B1/ko
Publication of KR20190102529A publication Critical patent/KR20190102529A/ko
Application granted granted Critical
Publication of KR102150560B1 publication Critical patent/KR102150560B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 커뮤니티를 통해 이벤트와 관련된 타겟들을 분석하는 타겟 분석 장치 및 방법을 제안한다. 본 발명에 따른 장치는 이벤트와 관련된 텍스트 메시지들을 수집하여 전처리하는 메시지 처리부; 의미를 내포하고 있는 것으로서 텍스트 메시지들에 포함되어 있는 단어들에 부여된 가중치들을 기초로 텍스트 메시지들과 관련된 문서들로부터 토픽들을 키워드로 검출하는 키워드 검출부; 및 토픽들에 대하여 소셜 네트워크 분석을 실행하여 연령별 및 연도별로 타겟들을 도출하는 타겟 도출부를 포함한다.

Description

토픽을 이용한 타겟 분석 장치 및 방법 {Apparatus and method for analyzing target using topic}
본 발명은 타겟을 분석하는 장치 및 방법에 관한 것이다. 보다 상세하게는, 토픽을 이용하여 타겟을 분석하는 장치 및 방법에 관한 것이다.
스트레스(stress)는 생체에 가해지는 여러 상해 및 자극에 대하여 체내에서 일어나는 비특이적인 생물 반응으로서, 인간이 심리적 또는 신체적으로 감당하기 어려운 상황에 처했을 때 느끼는 불안과 위협의 감정 등을 말한다.
그런데 이러한 스트레스가 해소되지 않은 채 체내에 누적되면 사람의 건강에 근본적인 손상이 발생할 수 있으며, 이로 인해 심장병, 비만, 당뇨, 암 등 다양한 질병에 노출되거나 자살 등 사망에 이르기도 한다.
한국공개특허 제2017-0115037호 (공개일 : 2017.10.16.)
본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로서, 커뮤니티를 통해 수집된 텍스트 메시지에서 가중치를 기초로 토픽(topic)들을 검출하고, 이 토픽들에 대하여 소셜 네트워크 분석(SNA; Social Network Analysis)을 실행하여 스트레스 요인과 같은 타겟들을 도출하는 타겟 분석 장치 및 방법을 제안하는 것을 목적으로 한다.
그러나 본 발명의 목적은 상기에 언급된 사항으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명은 상기한 목적을 달성하기 위해 안출된 것으로서, 이벤트와 관련된 텍스트 메시지들을 수집하여 전처리하는 메시지 처리부; 의미(meaning)를 내포하고 있는 것으로서 상기 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 상기 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출하는 키워드 검출부; 및 상기 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출하는 타겟 도출부를 포함하는 것을 특징으로 하는 타겟 분석 장치를 제안한다.
또한 본 발명은 이벤트와 관련된 텍스트 메시지들을 수집하여 전처리하는 단계; 의미(meaning)를 내포하고 있는 것으로서 상기 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 상기 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출하는 단계; 및 상기 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출하는 단계를 포함하는 것을 특징으로 하는 타겟 분석 방법을 제안한다.
또한 본 발명은 컴퓨터에서 타겟 분석 방법을 실행시키기 위한 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램을 제안한다.
본 발명은 상기한 목적 달성을 위한 구성들을 통하여 다음과 같은 효과를 얻을 수 있다.
첫째, 연령별 및 연도별로 타겟들을 효과적으로 도출하는 것이 가능해진다.
둘째, 타겟들 사이의 상관관계를 분석하여 사회 문제를 해결하기 위한 방안을 제시하는 것이 가능해진다.
도 1은 본 발명의 일실시예에 따른 타겟 분석 장치를 개략적으로 도시한 개념도이다.
도 2는 타겟 분석 장치를 구성하는 데이터 수집 및 전처리부의 내부 구성을 개략적으로 도시한 블록도이다.
도 3은 타겟 분석 장치에 구비되는 데이터 수집 및 전처리부의 기능을 설명하기 위한 참고도이다.
도 4 내지 도 7은 타겟 분석 장치에 구비되는 토픽 추출부의 기능을 설명하기 위한 참고도들이다.
도 8 내지 도 12는 타겟 분석 장치에 구비되는 토픽 기반 네트워크 분석부의 기능을 설명하기 위한 참고도이다.
도 13은 본 발명의 바람직한 실시예에 따른 타겟 분석 장치의 내부 구성을 개략적으로 도시한 개념도이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
본 발명은 토픽(topic)을 이용하여 이벤트(event)와 관련된 타겟을 분석하는 장치에 관한 것으로서, 일실시예로 연령별로 생활 사건(life event)과 관련된 스트레스 요인(stressor)을 분석하는 장치에 관한 것이다. 본 발명에서는 타겟을 분석하기 위해 소셜 네트워크 분석 기법(SNA; Social Network Analysis), 일례로 토픽 기반 소셜 네트워크 분석 기법(topic-based SNA)을 이용한다. 이하 도면 등을 참조하여 본 발명에 대해 자세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 타겟 분석 장치를 개략적으로 도시한 개념도이다.
도 1에 따르면, 타겟 분석 장치(100)는 데이터 수집 및 전처리부(data collection and preprocessing; 110), 토픽 추출부(topic extraction; 120) 및 토픽 기반 네트워크 분석부(topic-based network analysis; 130)를 포함한다.
데이터 수집 및 전처리부(110)는 텍스트 메시지들(text messages)을 수집하여 이 텍스트 메시지들을 전처리하는 기능을 수행한다. 데이터 수집 및 전처리부(110)는 이를 위해 도 2에 도시된 바와 같이 메시지 수집부(111), 비표준 언어 제거부(112), 텍스트 메시지 분류부(113) 및 VSM(Vector Space Modeling) 실행부(114)를 포함할 수 있다. 도 2는 타겟 분석 장치를 구성하는 데이터 수집 및 전처리부의 내부 구성을 개략적으로 도시한 블록도이다.
메시지 수집부(111)는 SNS(Social Network Services), 카페, 블로그 등 온라인 커뮤니티(online community)로부터 텍스트 메시지들을 수집하는 기능을 수행한다. 본 발명에서는 일례로 생활 사건과 관련된 여성들의 스트레스 요인을 분석하기 위해, 메시지 수집부(111)가 여성들이 많이 이용하는 온라인 커뮤니티로부터 텍스트 메시지들을 수집할 수 있다. 메시지 수집부(111)는 이렇게 수집된 메시지들을 미리 구비된 메모리에 저장한다.
비표준 언어 제거부(112)는 메시지 수집부(111)에 의해 수집된 각각의 텍스트 메시지에서 의미없는 특징들(meaningless characters), 중요하지 않은 단어들(unimportant words), 접두사(prefix), 접미사(suffix) 등 비표준 언어(non-standard language)를 제거하는 기능(removing non-standard language)을 수행한다. 데이터 수집 및 전처리부(110)는 비표준 언어 제거부(112)의 이러한 기능을 통해 각 메시지의 내용을 대표하기에 적합한 단어들로 구성된 리스트를 획득할 수 있다.
텍스트 메시지 분류부(113)는 비표준 언어 제거부(112)에 의해 텍스트 메시지로부터 비표준 언어가 제거되면 텍스트 메시지에 포함된 문장들을 단어(term) 또는 형태소(morpheme) 단위로 분할하는 토큰화(tokenization) 기능을 수행한다. 텍스트 메시지 분류부(113)는 토큰화 기능을 수행하는 데에 POS(Part-Of-Speech) 태깅(tagging) 기법을 이용할 수 있다.
POS 태깅 기법은 문장에 포함되어 있는 단어들의 품사를 식별하여 태그를 붙여주는 기법을 말한다. 텍스트 메시지 분류부(113)는 POS 태깅 기법을 이용하여 문장들을 명사들(nouns), 동사들(verbs), 형용사들(adjectives) 등 토큰화된 단어들(tokenized terms)로 분류할 수 있다. 또한 텍스트 메시지 분류부(113)는 POS 태깅 기법을 이용하여 토큰화된 단어들을 튜플(tuple)의 형태로 출력할 수 있다.
VSM 실행부(114)는 벡터 공간 모델링(VSM; Vector Space Modeling) 기법을 이용하여 텍스트 메시지 분류부(113)에 의해 토큰화된 단어들을 정규화되고 가중치가 부여된 단어들(normalized weighted terms)로 변환시키는 기능을 수행한다. 상기에서 벡터 공간 모델링 기법은 단어들과 메시지들을 벡터들로 표현하는 정보 검색 기술(information retrieval technique)을 말한다.
VSM 실행부(114)는 토큰화된 단어들을 정규화되고 가중치가 부여된 단어들로 변환시킬 때에 토큰화된 단어들과 그 단어들을 포함하고 있던 텍스트 메시지들을 도 3에 도시된 바와 같이 매트릭스 형태로 나타낼 수 있다. 도 3은 VSM 실행부(114)의 기능을 설명하기 위한 참고도이다.
도 3은 VSM의 도식적인 프리젠테이션(schematic presentation)이다. VSM 실행부(114)는 도 3에 도시된 바와 같이 m개의 토큰화된 단어들(m-terms)과 n개의 텍스트 메시지들(n-documents)이 각각 행과 열에 배치되는 매트릭스(Xt,d) 형태로 나타낼 수 있다. VSM 실행부(114)는 이를 통해 n개의 텍스트 메시지들(Document 1, Document 2, Document 3, …, Document N)에서 m개의 토큰화된 단어들(Term 1, Term 2, Term 3, …, Term M)의 빈도를 산출하는 것이 가능해진다.
VSM 실행부(114)는 벡터 공간 모델링 기법을 이용하여 각 텍스트 메시지를 대표하는 단어들의 빈도(frequency)를 토대로 각 단어에 가중치를 부여하는 기능을 수행한다. VSM 실행부(114)는 TF(Term Frequencies) 값을 산출하는 방법과 IDF(Inverse Document Frequencies) 값을 산출하는 방법을 기초로 각 단어에 가중치를 부여할 수 있다. TF 값을 산출하는 방법은 특정 텍스트 메시지 내에 나타나는 단어들의 총 빈도수를 계산하는 방법을 말하며, IDF 값을 산출하는 방법은 텍스트 메시지 집합 전체에 나타나는 특정 단어의 총 빈도수를 계산하는 방법을 말한다. VSM 실행부(114)는 TF 값을 산출하는 방법과 IDF 값을 산출하는 방법을 통해 많은 텍스트 메시지들에서 흔하게 나타나는 단어에 높은 가중치가 부여되는 것을 방지하는 효과를 얻을 수 있다.
VSM 실행부(114)는 각 단어에 가중치가 부여되면 각 텍스트 메시지를 정규화시키는 기능을 수행한다. 도 3의 매트릭스 Xt,d에서 모든 텍스트 메시지들은 동일한 유의성(significance)을 가져야 하므로, 본 발명에서는 이 점을 참작하여 VSM 실행부(114)가 각 텍스트 메시지에 대하여 정규화 기능을 수행한다.
VSM 실행부(114)는 텍스트 메시지의 정규화를 위해 다음 수학식 1을 통해 가중치가 부여된 각 단어의 정규화 값을 산출할 수 있다.
Figure pat00001
상기에서 wid는 각각의 단어-텍스트 메시지 조합(term-document combination)을 위한 단어의 가중치 값(weighted term value)을 의미한다. 또한 n은 문서의 개수를 의미한다.
토픽 추출부(120)는 데이터 수집 및 전처리부(110)에 의해 전처리된 텍스트 메시지들로부터 키워드를 추출하기 위해 토픽 분석(topic analysis)을 실행하는 기능을 수행한다. 즉, 토픽 추출부(120)는 텍스트 메시지들에 내포되어 있는 의미를 분석하여 타겟과 관련된 메시지들을 추출하며, 이렇게 추출된 메시지들로부터 가중치가 기준값 이상인 단어들을 키워드로 추출한다.
일례로 생활 사건과 관련된 여성들의 스트레스를 분석하기 위해, 토픽 추출부(120)는 여성들의 온라인 활동들(online activities)로부터 텍스트 안에 숨겨진 의미적 구성(semantic construction)의 패턴과 뜻을 식별하고, 여성들의 스트레스를 이해하기 위해 함께 나타나는 단어들(co-occurring words)의 되풀이하여 발생하는 패턴(recurring pattern)에 따라 키워드를 추출할 수 있다.
토픽 추출부(120)는 VSM 실행부(114)에 의해 단어들에 가중치가 부여되면 이 단어들을 토대로 주요 토픽들(topics)을 추출하기 위해 잠재 의미 분석(LSA; Latent Semantic Analysis) 알고리즘을 실행하는 기능을 수행한다. 즉, 토픽 추출부(120)는 텍스트 이미지-단어 공간(document-term space)에서 텍스트 이미지를 분류하여 코퍼스(corpus)의 의미 구조들을 밝히고, 이를 토대로 텍스트 이미지에 내포되어 있는 토픽들(즉, 잠재적 의미들(latent meanings))을 추출하는 기능을 수행한다.
또한 토픽 추출부(120)는 토픽들을 토대로 텍스트 이미지들을 수월하게 식별하고 분류하기 위해 텍스트 이미지에서 의미있는 요소들을 포함하고 있지 않은 부분을 제거하는 기능도 수행한다.
텍스트 이미지의 내용에 대한 일반화된 모델은 다음과 같이 표현될 수 있다.
X = ΛF + ε
상기에서 X는 텍스트 이미지들의 코퍼스를 의미하며, ΛF는 대용량 텍스트 데이터에서 토픽들의 선형 결합(linear combination)을 의미한다. 또한 ε은 에러 단어(error term)를 의미한다.
토픽 추출부(120)에 의해 수행되는 잠재 의미 분석(LSA) 알고리즘은 특이값 분해(SVD; Singular Value Decomposition) 및 차원 축소(dimensionality reduction)의 실행을 포함한다.
특이값 분해(SVD) 프로세스는 수학적으로 도 4에 도시된 바와 같이 행렬 Xt,d를 Ut,k, Σk,k, Vk,d 등 세 행렬의 곱으로 분해한다. 도 4는 타겟 분석 장치에 구비되는 토픽 추출부의 기능을 설명하기 위한 제1 참고도이다.
도 4는 특이값 분해(SVD) 절차를 도식적으로 나타낸 다이어그램이다. 도 4에서 Ut,k는 XXT 행렬의 고유 벡터들(eigenvectors)들을 포함하는 단어별 요소(term-by-factor) 행렬을 의미한다. Σk,k는 단어들의 잠재적 의미 요소들을 나타내는 단어별(term-by-term) 공분산 행렬(covariance matrix)을 의미한다. 이러한 Σk,k는 감소하는 순서에 따라 랭크된 특이값들의 대각 행렬(diagonal matrix)로 나타낼 수 있다. Vk,d는 XTX의 고유벡터들을 보여주는 요소별 문서(factor-by-document) 행렬을 의미한다. 상기에서 XTX는 각 요소에 대한 각 문서의 로딩(loading)을 보여주는 문서별(document-by-document) 공분산 행렬을 의미한다. 문서 로딩들(document loadings)은 식별된 토픽들에 대한 문서의 관련 정도를 나타낸다.
특이값 분해(SVD)를 수학 표기법(mathematical notation)에 따라 나타내면 다음과 같다.
Figure pat00002
상기에서 U는 단어의 고유 벡터들을 의미하며, V는 문서의 고유 벡터들을 의미한다. 또한 Σ는 고유 벡터들의 제곱근들을 포함하는 특이값들의 대각 행렬을 의미하며, T는 전치(transposition)를 의미한다.
토픽 추출부(120)는 TSVD(Truncated SVD)를 이용하여 매우 중요한 단어들만 포함하는 단어 빈도들(term frequencies)을 수정할 수 있다. TSVD 프로세스는 주요 요인 분석 기법(PCA; Principal Component Analysis)과 매우 유사한 것으로서, 상관 요소들(correlated factors)을 주요 요인들(principal components)의 집합으로 변환하는 직교 변환(orthogonal transformation)을 포함한다.
TSVD 모델은 텍스트 데이터의 큰 코퍼스에서 토픽들이 저차원 공간에서 구성된다는 것을 인식하여 Xt,d의 차원 축소(dimensionality reduction)와 관련된다. 고유값들(eigenvalues)의 임계치(threshold)는 일반적으로 1 이상으로 설정된다. TSVD는 단어들의 동의성(synonymy)과 다의성(polysemy)의 문제를 효과적으로 해결하고 질의 성능(inquiry performance)에 상당한 영향을 미친다. TSVD를 수학 표기법에 다라 나타내면 다음과 같다.
Figure pat00003
상기에서 ^Xt,d는 단어 및 문서와 관련된 행렬(term-by-document matrix)를 의미하며, Ut,k는 요소들에 의한 단어들의 절두형 버전(truncated vertion)을 의미한다. 또한 Σk,k는 절두형 요소별 행렬 솔루션(truncated factor-by-factor matrix solution)을 의미하며, VT k,d는 문서들에 의한 요소들의 절두형 행렬(truncated matrix)을 의미한다. k는 특이값들의 순위(ranks)를 의미한다.
도 5는 타겟 분석 장치에 구비되는 토픽 추출부의 기능을 설명하기 위한 제2 참고도이다. 도 5는 잠재 의미 분석(LSA) 알고리즘에서 TSVD의 동작을 설명하여 준다. 도 5에서 도면부호 210 ~ 230은 각각 Ut,k, Σk,k 및 VT k,d에서 절단된 부분을 나타낸다.
직교 정규성(orthonormality) UTU = I 및 VTV = I(여기서 I는 k * k 단위 행렬(identity matrix)임)는 단어 로딩들(term loadings; LT)과 문서 로딩들(document loadings; LD)을 획득하는 데에 이용된다. 이를 수학식으로 나타내면 다음과 같다.
Figure pat00004
상기에서 LT는 단어들과 잠재 토픽들(latent topics) 사이의 연관성을 나타내는 단어별 요소 행렬(term-by-factor matrix)을 의미하며, LD는 잠재 토픽들을 가진 문서들 사이의 관계성을 나타내는 문서별 단위 행렬(document-by-term matrix)을 의미한다.
차원들(dimensions)의 최적의 수(optimal number)가 검출되고 텍스트 데이터가 TSVD를 통해 압축되면(condensed), 토픽 추출부(120)는 초기 결과들(initial results)의 해석 가능성(interpretability)을 향상시키기 위해 베리맥스 회전들(varimax rotations)을 이용하여 LSA 후 정량 분석(post-LSA quantitative analysis)을 수행한다. 도 6은 연접식 요소 공간(articulated factor space)에서 단어 로딩들과 문서 로딩들을 나타낸 것이다. 도 6은 단어 회전 로딩 동작들(term-rotated loading operations)과 문서 회전 로딩 동작들(document-rotated loading operations) 및 그것들의 출력들을 보여준다.
본 발명에서는 일련화된 토픽 모델들이 존재한다. 각각의 토픽은 단어들(키워드들)의 분포의 집합(set of distribution)으로 구성된다. 문서에서 모든 단어들은 분포의 양에 따라 순위가 결정된다. 단어 토픽 가중치(term topic weight)는 각 토픽에 해당하는 가중치로 할당된다. 25개의 토픽들이 추출되면, 각각의 단어에 대해 25개의 단어 토픽 가중치가 계산된다. 각각의 토픽은 SVD 차원이기 때문에, 단어 토픽 가중치들은 SVD 공간에서 단어의 좌표값을 나타낸다. 도 7은 30대 여성의 스트레스 요인과 관련하여 추출된 토픽들과 그 토픽들의 가중치를 보여주는 예시도이다.
도 7에서 단위 컷오프(term cutoff)는 단어가 토픽에 속하는지 여부를 결정하는 임계 점수(threshold score)를 의미하며, 문서 컷오프(document cutoff)는 문서가 토픽에 속하는지 여부를 결정하는 임계 점수를 의미한다. 단어와 문서는 이러한 컷오프들보다 큰 단어 토픽 가중치(term topic weight)와 문서 토픽 가중치(document topic weight)를 가질 경우 토픽으로 할당된다(topic labeling).
토픽 기반 네트워크 분석부(130)는 연령별로 타겟들을 시각화하기 위해 토픽 기반 소셜 네트워크 분석(topic-based SNA)을 수행한다. 토픽 기반 네트워크 분석부(130)는 토픽들(topics) 사이의 관계적 속성들(relational attributes)과 관련된 유사도(similarity)를 기초로 토픽들의 상호 관련성(relevance)을 식별하는 기능도 수행한다.
소셜 네트워크 분석(SNA)은 네트워크들과 그래프 이론(graph theory)을 토대로 사회 구조들을 조사하는(investigating) 프로세스를 말한다. 소셜 네트워크 분석은 노드들(네트워크 내에 구비되는 개인 행위자들(individual actors), 사람들, 사물들 등), 유대 관계(ties), 엣지들(edges) 또는 그것들을 연결시키는 링크들(관계들(relationships), 상호작용들(interactions) 등)에 대하여 네트워크 구조를 특성화한다. 소셜 네트워크 분석은 사람들, 단체들, 조직들, 국가들 또는 인간 활동(human activity)을 수행하는 자 등 사회적 행위자들(social actors)의 집합 내에서의 유대 관계 구조(structure of ties)에 초점을 두는 특성을 가지고 있다.
토픽 기반 네트워크 분석부(130)는 타겟(ex. 여성들의 스트레스 요인)을 설명하기 위해 스트레스 요인들의 집합 내에서 그것들의 관계 구조에 중점을 두는 토픽 기반 소셜 네트워크 분석(topic-based SNA)을 수행한다. 이러한 토픽 기반 네트워크 분석부(130)는 타겟들 사이의 관계들에 대한 탐색(exploration) 및 타겟(ex. 스트레스 요인)들의 종합적인 패턴들(overall patterns)에 대한 발견(discovery)을 가능하게 하기 위해 토픽 기반 네트워크(topic-based network)를 시각화하는 기능을 수행할 수 있다.
토픽 기반 네트워크 분석부(130)는 토픽들을 정제시키고(refining) 처리하기(arranging) 위한 유용한 도구로 세가지 분석 절차들(analytic produres)을 차례대로 수행한다.
첫번째 분석 절차로, 토픽 기반 네트워크 분석부(130)는 코사인 유사도 계수를 이용하여 그린 네트워크(세번째 절차에 해당함)가 종합적인 패턴들을 발견하고 시각화하는 기능을 수행합니다.
토픽 기반 네트워크 분석부(130)는 이를 위해 토픽 Tx와 Ty 사이의 유사도(similarity)를 결정하기 위해 코사인 유사도들(cosine similarities)을 계산한다. 이를 수학식으로 나타내면 다음과 같다.
Figure pat00005
상기에서 tft는 토픽에서 단어(키워드)의 빈도(term(keyword) frequency)를 의미한다. 각각의 토픽들에 대하여, 유사도는 특정 샘플에 포함된 특정 토픽과 다른 샘플들에 포함된 다른 토픽들 사이에서 계산된다.
두번째 분석 절차로, 토픽 기반 네트워크 분석부(130)는 노드들(일련화된 토픽들(serialized topics)의 집합)과 링크들(노드들 사이의 각도들(degrees)의 집합)로 표현되는 토픽 기반 소셜 네트워크 분석을 수행한다. 토픽 기반 네트워크 분석부(130)는 이를 통해 소시오매트릭스(sociomatrix) X(N, N)을 생성할 수 있다. 소시오매트릭스 X(N, N)은 사회적 네트워크 데이터(social network data)의 베이직 매트릭스(basic matrix) 타입으로서, 데일리 토픽들(daily topics)과 코사인 유사도들을 이용하여 N * N의 형태로 생성될 수 있다. 도 8은 토픽 기반 소셜 네트워크 분석을 위한 소시오매트릭스의 예시도이다.
세번째 분석 절차로, 토픽 기반 네트워크 분석부(130)는 가중치 네트워크(weighted network)를 구성하는 기능을 수행한다. 가중치 네트워크는 가중치가 부여된 노드의 연결 정도 중심성(weighted degree centrality)으로 구성된다. 이 값은 연결된 링크들의 가중치들의 합으로 정의되며, 본 발명에서는 노드의 크기(node size)로 이용된다.
토픽 기반 네트워크 분석부(130)는 다음 수학식을 이용하여 가중치가 부여된 노드의 연결 정도 중심성을 산출할 수 있다.
Figure pat00006
상기에서 w는 가중치가 부여된 인접 행렬(weighted adjacency matrix)을 의미하며, wij는 노드 i가 노드 j에 연결될 때 0보다 큰 값을 가진다.
토픽 기반 네트워크 분석부(130)는 토픽 기반 소셜 네트워크 분석을 수행할 때 토픽들을 연령별로 시각화하여 상기한 기능을 수행할 수 있다. 이하 이에 대해 설명한다.
도 9는 토픽으로 라벨링된 연령별 스트레스 요인들에 대한 테이블도이다. 토픽 기반 네트워크 분석부(130)는 도 9에 정렬되어 있는 토픽들(스트레스 요인들)을 기초로 도 10에 도시된 바와 같이 노드들(토픽들)을 미리 정해진 기준에 따라 배열하여 시각화할 수 있다. 토픽 기반 네트워크 기반 분석부(130)는 스트레스 요인과 관련된 토픽들의 구조를 분석하기 위해 수학식 5를 기초로 코사인 유사도들을 계산한 다음, 소시오매트릭스를 생성하여 토픽 기반 소셜 네트워크 분석의 입력 데이터로 이용할 수 있다.
토픽 기반 네트워크 분석부(130)는 노드들을 도 10에 도시된 바와 같이 시각화할 때에 연령별로 노드들을 서로 다른 축에 배열하여 시각화할 수 있다. 일례로 토픽 기반 네트워크 분석부(130)는 Y+ 축, X+ 축, Y- 축 및 X- 축에 20대와 관련된 토픽들, 30대와 관련된 토픽들, 40대와 관련된 토픽들 및 50대와 관련된 토픽들을 배열할 수 있다.
토픽 기반 네트워크 분석부(130)는 동일한 토픽에 대해서는 동일 색상을 적용하고, 각 토픽의 가중치(ex. 스트레스 정도)에 따라 노드의 크기를 조절하여 그래프 상에서 연령별 타겟(ex. 스트레스 요인)들을 가시적으로 디스플레이할 수 있다. 또한 토픽 기반 네트워크 분석부(130)는 0을 시작점으로 하여 연도 순서에 따라 노드들을 배열하여 시각화하는 것도 가능하다. 또한 토픽 기반 네트워크 분석부(130)는 동일 색상을 가지는 노드들을 서로 연결하여 특정 타겟이 연령별로 어느 시기에 많이 나타나는지, 즉 다른 연령과의 관계를 시각화하는 것도 가능하다.
토픽 기반 네트워크 분석부(130)는 도 11 및 도 12에 도시된 바와 같이 특정 연령과 관련된 노드들을 연도 순서에 따라 원형으로 배열하여 타겟(ex. 스트레스 요인)들을 시각화하는 것도 가능하다. 도 11 및 도 12는 각각 30대 및 40대와 관련된 스트레스 요인들을 연도 순서에 따라 원형으로 배열하여 시각화한 것들이다.
도 11의 (a)는 30대와 관련된 모든 스트레스 요인들을 나타낸 것이고, 도 11의 (b)는 30대와 관련된 모든 스트레스 요인들 중에서 가중치가 임계값 이상인 스트레스 요인들을 선별하여 나타낸 것이다. 마찬가지로 도 12의 (a)는 40대와 관련된 모든 스트레스 요인들을 나타낸 것이고, 도 12의 (b)는 40대와 관련된 모든 스트레스 요인들 중에서 가중치가 임계값 이상인 스트레스 요인들을 선별하여 나타낸 것이다.
도 11 및 도 12에서 노드는 나이(age)_연도(year)_내용(detailed topic)의 형태로 나타낼 수 있다. 일례로 2018년도 35세의 토픽으로 work life balance가 있는 경우, 이 노드를 도 11의 (a) 및 (b)에 35_2018_work life balance의 형태로 나타낼 수 있다.
도 11의 (a)에 따르면, 30대의 스트레스 요인으로 가족(Family, 27.27%)이 가장 높았으며, 그 다음으로 직장(Work, 24.24%), 결혼(Marriage, 15.15%) 등이 뒤를 이었다. 이로부터 30대의 스트레스 요인들은 결혼을 통해 새로운 가족을 구성하고 자녀 양육, 부모 부양 등을 위해 일을 하는 것과 관련된다는 것을 알 수 있다. 스트레스 요인으로 사랑(Love)의 경우, 20대에서는 40.91%였는데, 30대에서는 3.03%로 크게 감소한 것으로 보아, 30대에서는 결혼 적령기가 되어 연애보다는 결혼과 관련된 스트레스가 주요 스트레스로 바뀌었음을 알 수 있다.
도 11의 (b)에 따르면, 노드 1(14_4_mother in law)이 노드 2(16_5_parenting) 및 노드 3(09_3_work life balance)이 상호 연결되어 있다. 이것은 30대의 여성이 결혼 후 일과 생활(자녀 양육)을 병행하면서 워크 라이프 밸런스(work life balance)를 유지하기 어렵고, 시어머니 등 가족들이 대신 자녀를 양육하면서 발생되는 갈등이 30대에서 큰 스트레스 요인으로 자리잡고 있음을 나타낸다.
이상 도 1 내지 도 12를 참조하여 본 발명의 일실시 형태에 대하여 설명하였다. 이하에서는 이러한 일실시 형태로부터 추론 가능한 본 발명의 바람직한 형태에 대하여 설명한다.
도 13은 본 발명의 바람직한 실시예에 따른 타겟 분석 장치의 내부 구성을 개략적으로 도시한 개념도이다.
도 13에 따르면, 타겟 분석 장치(300)는 메시지 처리부(310), 키워드 검출부(320), 타겟 도출부(330), 노드 표시 제어부(340), 전원부(350) 및 주제어부(360)를 포함한다.
전원부(350)는 타겟 분석 장치(300)를 구성하는 각 구성에 전원을 공급하는 기능을 수행한다.
주제어부(360)는 타겟 분석 장치(300)를 구성하는 각 구성의 전체 작동을 제어하는 기능을 수행한다.
메시지 처리부(310)는 이벤트와 관련된 텍스트 메시지들을 수집하여 전처리하는 기능을 수행한다. 메시지 처리부(310)는 도 1의 데이터 수집 및 전처리부(110)에 대응하는 개념이다.
메시지 처리부(310)는 텍스트 메시지들에 포함되어 있는 문장들로부터 의미를 내포하고 있는 단어들을 추출하고, 이 단어들에 대해 가중치들을 부여하며, 가중치들이 부여된 단어들을 정규화시켜 텍스트 메시지들을 전처리할 수 있다.
메시지 처리부(310)는 단어들의 품사를 식별하여 태그를 붙이는 토큰화(tokenization)를 이용하여 문장들로부터 단어들을 추출할 수 있다.
메시지 처리부(310)는 하나의 텍스트 메시지에 출현하는 각 단어의 제1 빈도 및 텍스트 메시지들 전체에 출현하는 각 단어의 제2 빈도를 기초로 단어들에 가중치들을 부여할 수 있다.
메시지 처리부(310)는 각 단어에 부여된 가중치 및 텍스트 메시지들의 개수를 기초로 단어들을 정규화시킬 수 있다.
키워드 검출부(320)는 의미(meaning)를 내포하고 있는 것으로서 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출하는 기능을 수행한다. 키워드 검출부(320)는 도 1의 토픽 추출부(120)에 대응하는 개념이다.
키워드 검출부(320)는 단어들 사이의 관계와 관련된 제1 행렬, 문서들 사이의 관계와 관련된 제2 행렬 및 단어들과 문서들 사이의 관계와 관련된 제3 행렬을 이용하는 SVD(Singular Value Decomposition) 및 각 단어의 제1 빈도를 이용하는 TSVD(Truncated SVD)를 기초로 토픽들을 키워드로 검출할 수 있다.
키워드 검출부(320)는 가중치들과 관련된 컷오프(cutoff)를 기초로 단어들 중에서 토픽들을 검출할 수 있다.
키워드 검출부(320)는 문서들에 SVD, TSVD 및 배리맥스 회전(varimax rotation)을 차례대로 적용한 후 컷오프를 기초로 토픽들에 소정의 정보를 레이블링(labeling)하여 검출할 수 있다.
타겟 도출부(330)는 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출하는 기능을 수행한다. 타겟 도출부(330)는 도 1의 토픽 기반 네트워크 분석부(130)에 대응하는 개념이다.
타겟 도출부(330)는 토픽들의 제1 빈도를 기초로 토픽들 사이의 유사도와 관련된 코사인 유사도(cosine similarity)를 계산하며, 이 코사인 유사도를 기초로 소셜 네트워크 분석을 실행하여 타겟들을 도출할 수 있다.
타겟 도출부(330)는 토픽들 사이의 유사도와 관련된 코사인 유사도 및 토픽들 사이의 관계 정보를 기초로 소시오매트릭스(sociomatrix)를 생성하며, 이 소시오매트릭스를 기초로 소셜 네트워크 분석을 실행하여 타겟들을 도출할 수 있다.
타겟 분석 장치(300)는 노드 표시 제어부(340)를 더 포함할 수 있다.
노드 표시 제어부(340)는 그래프 상의 각 축에 각 연령별로 타겟들과 관련된 노드들을 연도 순서에 따라 배열하여 노드들을 가시적으로 표시하는 기능을 수행한다. 노드 표시 제어부(340)는 도 1의 토픽 기반 네트워크 분석부(130)에 대응하는 개념이다.
노드 표시 제어부(340)는 동일한 타겟에 대해 동일한 색상의 노드를 적용하고, 각 토픽과 관련된 가중치를 기초로 노드의 크기를 조절하여 노드들을 그래프 상에 가시적으로 표시할 수 있다.
다음으로 스트레스 요인 분석 장치(300)의 작동 방법에 대하여 설명한다.
먼저 메시지 처리부(310)는 이벤트와 관련된 텍스트 메시지들을 수집하여 전처리한다(STEP A).
이후 키워드 검출부(320)는 의미(meaning)를 내포하고 있는 것으로서 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출한다(STEP B).
이후 타겟 도출부(330)는 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출한다(STEP C).
한편 STEP C 단계 이후, 노드 표시 제어부(340)는 그래프 상의 각 축에 각 연령별로 타겟들과 관련된 노드들을 연도 순서에 따라 배열하여 노드들을 가시적으로 표시할 수 있다(STEP D).
이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록매체로서는 자기 기록매체, 광 기록매체 등이 포함될 수 있다.
또한, 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 상세한 설명에서 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (17)

  1. 이벤트(event)와 관련된 텍스트 메시지들을 수집하여 전처리하는 메시지 처리부;
    의미(meaning)를 내포하고 있는 것으로서 상기 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 상기 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출하는 키워드 검출부; 및
    상기 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출하는 타겟 도출부
    를 포함하는 것을 특징으로 하는 타겟 분석 장치.
  2. 제 1 항에 있어서,
    상기 메시지 처리부는 상기 텍스트 메시지들에 포함되어 있는 문장들로부터 상기 의미를 내포하고 있는 상기 단어들을 추출하고, 상기 단어들에 대해 가중치들을 부여하며, 가중치들이 부여된 상기 단어들을 정규화시켜 상기 텍스트 메시지들을 전처리하는 것을 특징으로 하는 타겟 분석 장치.
  3. 제 2 항에 있어서,
    상기 메시지 처리부는 상기 단어들의 품사를 식별하여 태그를 붙이는 토큰화(tokenization)를 이용하여 상기 문장들로부터 상기 단어들을 추출하는 것을 특징으로 하는 타겟 분석 장치.
  4. 제 2 항에 있어서,
    상기 메시지 처리부는 하나의 텍스트 메시지에 출현하는 각 단어의 제1 빈도 및 상기 텍스트 메시지들 전체에 출현하는 각 단어의 제2 빈도를 기초로 상기 단어들에 가중치들을 부여하는 것을 특징으로 하는 타겟 분석 장치.
  5. 제 2 항에 있어서,
    상기 메시지 처리부는 각 단어에 부여된 가중치 및 상기 텍스트 메시지들의 개수를 기초로 상기 단어들을 정규화시키는 것을 특징으로 하는 타겟 분석 장치.
  6. 제 1 항에 있어서,
    상기 키워드 검출부는 상기 단어들 사이의 관계와 관련된 제1 행렬, 상기 문서들 사이의 관계와 관련된 제2 행렬 및 상기 단어들과 상기 문서들 사이의 관계와 관련된 제3 행렬을 이용하는 SVD(Singular Value Decomposition) 및 각 단어의 제1 빈도를 이용하는 TSVD(Truncated SVD)를 기초로 상기 토픽들을 키워드로 검출하는 것을 특징으로 하는 타겟 분석 장치.
  7. 제 1 항에 있어서,
    상기 키워드 검출부는 상기 가중치들과 관련된 컷오프(cutoff)를 기초로 상기 단어들 중에서 상기 토픽들을 검출하는 것을 특징으로 하는 타겟 분석 장치.
  8. 제 7 항에 있어서,
    상기 키워드 검출부는 상기 문서들에 SVD, TSVD 및 배리맥스 회전(varimax rotation)을 차례대로 적용한 후 상기 컷오프를 기초로 상기 토픽들에 소정의 정보를 레이블링(labeling)하여 검출하는 것을 특징으로 하는 타겟 분석 장치.
  9. 제 1 항에 있어서,
    상기 타겟 도출부는 상기 토픽들의 제1 빈도를 기초로 상기 토픽들 사이의 유사도와 관련된 코사인 유사도(cosine similarity)를 계산하며, 상기 코사인 유사도를 기초로 상기 소셜 네트워크 분석을 실행하여 상기 타겟들을 도출하는 것을 특징으로 하는 타겟 분석 장치.
  10. 제 1 항에 있어서,
    상기 타겟 도출부는 상기 토픽들 사이의 유사도와 관련된 코사인 유사도 및 상기 토픽들 사이의 관계 정보를 기초로 소시오매트릭스(sociomatrix)를 생성하며, 상기 소시오매트릭스를 기초로 상기 소셜 네트워크 분석을 실행하여 상기 타겟들을 도출하는 것을 특징으로 하는 타겟 분석 장치.
  11. 제 1 항에 있어서,
    그래프 상의 각 축에 각 연령별로 타겟들과 관련된 노드들을 연도 순서에 따라 배열하여 상기 노드들을 가시적으로 표시하는 노드 표시 제어부
    를 더 포함하는 것을 특징으로 하는 타겟 분석 장치.
  12. 제 11 항에 있어서,
    상기 노드 표시 제어부는 동일한 타겟에 대해 동일한 색상의 노드를 적용하고, 각 토픽과 관련된 가중치를 기초로 노드의 크기를 조절하여 상기 노드들을 그래프 상에 가시적으로 표시하는 것을 특징으로 하는 타겟 분석 장치.
  13. 이벤트(event)와 관련된 텍스트 메시지들을 수집하여 전처리하는 단계;
    의미(meaning)를 내포하고 있는 것으로서 상기 텍스트 메시지들에 포함되어 있는 단어(term)들에 부여된 가중치들을 기초로 상기 텍스트 메시지들과 관련된 문서들로부터 토픽(topic)들을 키워드로 검출하는 단계; 및
    상기 토픽들에 대하여 소셜 네트워크 분석(Social Network Analysis)을 실행하여 연령별로 타겟들을 도출하는 단계
    를 포함하는 것을 특징으로 하는 타겟 분석 방법.
  14. 제 13 항에 있어서,
    상기 전처리하는 단계는 상기 텍스트 메시지들에 포함되어 있는 문장들로부터 상기 의미를 내포하고 있는 상기 단어들을 추출하고, 상기 단어들에 대해 가중치들을 부여하며, 가중치들이 부여된 상기 단어들을 정규화시켜 상기 텍스트 메시지들을 전처리하는 것을 특징으로 하는 타겟 분석 방법.
  15. 제 13 항에 있어서,
    상기 도출하는 단계는 상기 토픽들의 제1 빈도를 기초로 상기 토픽들 사이의 유사도와 관련된 코사인 유사도(cosine similarity)를 계산하며, 상기 코사인 유사도를 기초로 상기 소셜 네트워크 분석을 실행하여 상기 타겟들을 도출하는 것을 특징으로 하는 타겟 분석 방법.
  16. 제 13 항에 있어서,
    그래프 상의 각 축에 각 연령별로 타겟들과 관련된 노드들을 연도 순서에 따라 배열하여 상기 노드들을 가시적으로 표시하는 단계
    를 더 포함하는 것을 특징으로 하는 타겟 분석 방법.
  17. 컴퓨터에서 제 13 항 내지 제 16 항 중 어느 한 항에 따른 타겟 분석 방법을 실행시키기 위한 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램.
KR1020180023009A 2018-02-26 2018-02-26 토픽을 이용한 타겟 분석 장치 및 방법 KR102150560B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180023009A KR102150560B1 (ko) 2018-02-26 2018-02-26 토픽을 이용한 타겟 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180023009A KR102150560B1 (ko) 2018-02-26 2018-02-26 토픽을 이용한 타겟 분석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190102529A true KR20190102529A (ko) 2019-09-04
KR102150560B1 KR102150560B1 (ko) 2020-09-01

Family

ID=67950165

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180023009A KR102150560B1 (ko) 2018-02-26 2018-02-26 토픽을 이용한 타겟 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102150560B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102244651B1 (ko) * 2020-08-18 2021-04-26 (주)다하미 커뮤니케이션즈 뉴스 스크랩을 위한 추천 키워드 제공 시스템, 이를 이용한 뉴스 스크랩에 사용되는 키워드 사전 구성 및 업데이트 방법, 및 이를 포함하는 추천 키워드 제공방법
WO2021235593A1 (ko) * 2020-05-19 2021-11-25 호서대학교 산학협력단 저작권 보호를 위한 변형된 게시글 정규화 방법 및 장치
KR20220131039A (ko) * 2021-03-19 2022-09-27 (주)데이터코리아 변호사 스마트 매칭 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060130156A (ko) * 2003-12-31 2006-12-18 구글 잉크. 타겟화된 광고에 사용하기 위한 사용자 정보 생성
KR20150079032A (ko) * 2013-12-31 2015-07-08 주식회사 케이티 컨텐츠의 메타데이터를 생성하는 장치 및 방법
KR101585644B1 (ko) * 2015-02-03 2016-01-14 가천대학교 산학협력단 단어 연관성 분석을 이용한 문서 분류 장치, 방법 및 이를 위한 컴퓨터 프로그램
KR20170115037A (ko) 2014-11-11 2017-10-16 글로벌 스트레스 인덱스 피티와이 엘티디 집단내의 스트레스 레벨 및 스트레스 내성 레벨의 프로파일을 생성하기 위한 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060130156A (ko) * 2003-12-31 2006-12-18 구글 잉크. 타겟화된 광고에 사용하기 위한 사용자 정보 생성
KR20150079032A (ko) * 2013-12-31 2015-07-08 주식회사 케이티 컨텐츠의 메타데이터를 생성하는 장치 및 방법
KR20170115037A (ko) 2014-11-11 2017-10-16 글로벌 스트레스 인덱스 피티와이 엘티디 집단내의 스트레스 레벨 및 스트레스 내성 레벨의 프로파일을 생성하기 위한 시스템 및 방법
KR101585644B1 (ko) * 2015-02-03 2016-01-14 가천대학교 산학협력단 단어 연관성 분석을 이용한 문서 분류 장치, 방법 및 이를 위한 컴퓨터 프로그램

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021235593A1 (ko) * 2020-05-19 2021-11-25 호서대학교 산학협력단 저작권 보호를 위한 변형된 게시글 정규화 방법 및 장치
KR20210142985A (ko) * 2020-05-19 2021-11-26 호서대학교 산학협력단 저작권 보호를 위한 변형된 게시글 정규화 방법 및 장치
KR102244651B1 (ko) * 2020-08-18 2021-04-26 (주)다하미 커뮤니케이션즈 뉴스 스크랩을 위한 추천 키워드 제공 시스템, 이를 이용한 뉴스 스크랩에 사용되는 키워드 사전 구성 및 업데이트 방법, 및 이를 포함하는 추천 키워드 제공방법
KR20220131039A (ko) * 2021-03-19 2022-09-27 (주)데이터코리아 변호사 스마트 매칭 시스템

Also Published As

Publication number Publication date
KR102150560B1 (ko) 2020-09-01

Similar Documents

Publication Publication Date Title
Hashimi et al. Selection criteria for text mining approaches
JP5825676B2 (ja) ノン・ファクトイド型質問応答システム及びコンピュータプログラム
KR102150560B1 (ko) 토픽을 이용한 타겟 분석 장치 및 방법
Sharma et al. Ontology-based semantic retrieval of documents using Word2vec model
Kumar et al. What changed in the cyber-security after COVID-19?
Tabak et al. Comparison of emotion lexicons
Grabar et al. Automatic diagnosis of understanding of medical words
Liu et al. Towards computation of novel ideas from corpora of scientific text
Elbarougy et al. Graph-Based Extractive Arabic Text Summarization Using Multiple Morphological Analyzers.
Torrisi et al. Automated bundle pagination using machine learning
Huynh et al. A new term ranking method based on relation extraction and graph model for text classification
Chang et al. Incorporating word embedding into cross-lingual topic modeling
Janani et al. Text mining research: A survey
Mohemad et al. Performance analysis in text clustering using k-means and k-medoids algorithms for Malay crime documents
Ellegård et al. Capturing patterns of everyday life: Presentation of the visualization method VISUAL-TimePAcTS
Dunn et al. Language-independent ensemble approaches to metaphor identification
Delgado-Solano et al. Keyword Extraction From Users' Requirements Using TextRank and Frequency Analysis, and Their Classification into ISO/IEC 25000 Quality Categories
Kadir et al. Text analysis on health product reviews using r approach
Jauhar et al. Embedded semantic lexicon induction with joint global and local optimization
Prathyusha et al. Normalization Methods for Multiple Sources of Data
Bchir et al. Extraction of drug-disease relations from MEDLINE abstracts
KR20210012606A (ko) 바이오 정보 분석 방법 및 이를 수행하기 위한 프로그램을 저장하는 저장 매체
Wu et al. Emotion classification by removal of the overlap from incremental association language features
Mahato et al. Heuristic algorithm for resolving pronominal anaphora in Hindi dialects
Malmasi et al. From visualisation to hypothesis construction for second language acquisition

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant