http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 송민채(Min-Chae Song) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
자연어처리기법을 활용한 코로나19 전후 지속가능한 글로벌 공급망 연구 동향 변화와 시사점
이소연(So-Yeon Lee),송민채(Min-Chae Song) 한국산학기술학회 2022 한국산학기술학회논문지 Vol.23 No.10
코로나19 사태로 기존 글로벌 공급망의 취약점이 드러나면서 위기 발생에 대한 선제적 리스크 관리 및 신속대응을 위한 국가와 기업들의 새로운 공급망 구축에 대한 논의가 활발히 진행 중이다. 그 중 ‘지속가능한 공급망(Sustainable Global Value Chains)’ 전략이 가장 큰 주목을 받고 있다. 그러나 어떠한 배경에서 코로나19가 글로벌 공급망 연구와 관련 논의에 영향을 미쳤는지를 실증 분석한 연구는 찾아보기 어렵다. 본 연구는 코로나19가 어떻게 글로벌 공급망 전략에 영향을 미쳤고, 지속가능한 글로벌 공급망 연구가 2019년 전후로 어떠한 양상으로 변화하고 있는지 텍스트 분석기법을 이용해 살펴보았다. 결론으로 분석에서 도출된 결과를 토대로 지속가능한 글로벌 공급망 연구의 영역 및 연구대상(주체)의 확대, 실행가능한 제도 정비의 필요성 등을 미래 연구의제로 제시하였다. 본 연구는 국가 간 경제의 상호의존성 심화로 코로나19 충격이 개별 기업의 대응 역량과 범위를 벗어나 경제 구조 전반을 변화시킴에 따라 글로벌 공급망의 패러다임 전환이 진행 중에 있음을 실증분석으로 확인하고, 어떠한 대응이 필요한지 제안하였다는 점에서 그 의의가 있다. The vulnerabilities of present global value chains were revealed by the COVID-19 pandemic. Discussions are underway in various countries and companies to establish new global value chains for risk management purposes and improve response to global risks, and the sustainable global value chain strategy has received the most research attention. Although research on sustainable global value chains has increased significantly since 2019, few studies have empirically analyzed how COVID-19 affected global value chain research and discussion. In this study, we analyzed how the COVID-19 pandemic affected global value chain strategies and why sustainable global value chain research changed before and after 2019 using natural language preprocessing techniques. Based on the implications derived from empirical results, we suggest sustainable global value chain research scope and research subjects be expanded and that the need for system preparation be explored. This study shows, using natural language preprocessing, that a paradigm shift in global value chains is in progress due to the COVID-19 pandemic.
-
박현정(Hyun-jung Park),송민채(Min-chae Song),신경식(Kyung-shik Shin) 한국지능정보시스템학회 2018 지능정보연구 Vol.24 No.2
고객과 대중의 니즈를 파악하기 위한 감성분석의 중요성이 커지면서 최근 영어 텍스트를 대상으로 다양한 딥러닝 모델들이 소개되고 있다. 본 연구는 영어와 한국어의 언어적인 차이에 주목하여 딥러닝 모델을 한국어 상품평 텍스트의 감성분석에 적용할 때 부딪히게 되는 기본적인 이슈들에 대하여 실증적으로 살펴본다. 즉, 딥러닝 모델의 입력으로 사용되는 단어 벡터(word vector)를 형태소 수준에서 도출하고, 여러 형태소 벡터(morpheme vector) 도출 대안에 따라 감성분석의 정확도가 어떻게 달라지는지를 비정태적(non-static) CNN(Convolutional Neural Network) 모델을 사용하여 검증한다. 형태소 벡터 도출 대안은 CBOW(Continuous Bag-Of-Words)를 기본적으로 적용하고, 입력 데이터의 종류, 문장 분리와 맞춤법 및 띄어쓰기 교정, 품사 선택, 품사 태그 부착, 고려형태소의 최소 빈도수 등과 같은 기준에 따라 달라진다. 형태소 벡터 도출 시, 문법 준수도가 낮더라도 감성분석 대상과 같은 도메인의 텍스트를 사용하고, 문장 분리 외에 맞춤법 및 띄어쓰기 전처리를 하며, 분석불능 범주를 포함한 모든 품사를 고려할 때 감성분석의 분류정확도가 향상되는 결과를 얻었다. 동음이의어 비율이 높은 한국어 특성 때문에 고려한 품사 태그 부착 방안과 포함할 형태소에 대한 최소 빈도수 기준은 뚜렷한 영향이 없는 것으로 나타났다. With the increasing importance of sentiment analysis to grasp the needs of customers and the public, various types of deep learning models have been actively applied to English texts. In the sentiment analysis of English texts by deep learning, natural language sentences included in training and test datasets are usually converted into sequences of word vectors before being entered into the deep learning models. In this case, word vectors generally refer to vector representations of words obtained through splitting a sentence by space characters. There are several ways to derive word vectors, one of which is Word2Vec used for producing the 300 dimensional Google word vectors from about 100 billion words of Google News data. They have been widely used in the studies of sentiment analysis of reviews from various fields such as restaurants, movies, laptops, cameras, etc. Unlike English, morpheme plays an essential role in sentiment analysis and sentence structure analysis in Korean, which is a typical agglutinative language with developed postpositions and endings. A morpheme can be defined as the smallest meaningful unit of a language, and a word consists of one or more morphemes. For example, for a word "예쁘고", the morphemes are "예쁘(= adjective)" and "고(=connective ending)". Reflecting the significance of Korean morphemes, it seems reasonable to adopt the morphemes as a basic unit in Korean sentiment analysis. Therefore, in this study, we use "morpheme vector" as an input to a deep learning model rather than "word vector" which is mainly used in English text. The morpheme vector refers to a vector representation for the morpheme and can be derived by applying an existent word vector derivation mechanism to the sentences divided into constituent morphemes. By the way, here come some questions as follows. What is the desirable range of POS(Part-Of-Speech) tags when deriving morpheme vectors for improving the classification accuracy of a deep learning model? Is it proper to apply a typical word vector model which primarily relies on the form of words to Korean with a high homonym ratio? Will the text preprocessing such as correcting spelling or spacing errors affect the classification accuracy, especially when drawing morpheme vectors from Korean product reviews with a lot of grammatical mistakes and variations? We seek to find empirical answers to these fundamental issues, which may be encountered first when applying various deep learning models to Korean texts. As a starting point, we summarized these issues as three central research questions as follows. First, which is better effective, to use morpheme vectors from grammatically correct texts of other domain than the analysis target, or to use morpheme vectors from considerably ungrammatical texts of the same domain, as the initial input of a deep learning model? Second, what is an appropriate morpheme vector derivation method for Korean regarding the range of POS tags, homonym, text preprocessing, minimum frequency? Third, can we get a satisfactory level of classification accuracy when applying deep learning to Korean sentiment analysis? As an approach to these research questions, we generate various types of morpheme vectors reflecting the research questions and then compare the classification accuracy through a non-static CNN(Convolutional Neural Network) model taking in the morpheme vectors. As for training and test datasets, Naver Shopping"s 17,260 cosmetics product reviews are used. To derive morpheme vectors, we use data from the same domain as the target one and data from other domain; Naver shopping"s about 2 million cosmetics product reviews and 520,000 Naver News data arguably corresponding to Google’s News data. The six primary sets of morpheme vectors constructed in this study differ in terms of the following three criteria. First, they come from two types of data source; Naver news of high grammatical correctness and Naver shopping’s cosme
-
-
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
