http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김흥남,조근식,Kim, Heung-Nam,Jo, Geun-Sik 한국정보처리학회 2009 정보처리학회논문지D Vol.16 No.3
협업적 여과는 추천 시스템을 구축하는데 가장 널리 보급된 정보 여과 기법으로 사용자 각 개인의 관심에 적합한 정보 및 아이템을 추천함으로써 사용자들의 의사 결정에 도움을 준다. 그러나, 협업적 여과 기법은 우수한 추천 성능에도 불구하고 초기 진입 문제와 같은 대표적인 한계를 가지고 있다. 본 논문에서는 초기 진입 문제의 한계점을 보완하기 위해 새로운 모델 구축 방법과 구축된 모델들을 적용한 효율적인 협업적 추천 시스템을 제안한다. 제안된 협업적 여과 방법은 크게 2단계로 나뉘어질 수 있다. 첫 번째는 사전에 미리 사용자들이 선호 평가한 아이템에 대한 선호도 예측 에러 정보를 반영하여 모델을 구축하는 과정으로 대부분의 작업이 오프라인에서 수행된다. 두 번째는 미리 구축된 모델들을 적용하여 온라인에서 사용자에게 적합한 개인화된 아이템 추천 및 예측을 하는 과정이다. 사전에 측정된 에러 정보를 반영한 모델은 목적 사용자와 유사한 사용자 및 목적아이템과 유사한 아이템의 사전 평균 예측 에러를 활용하는 에러반영 모델로써 초기 진입 문제를 보완하면서 선호도 예측의 성능을 높이기 위한 모델이다. 또한 모델 기반의 협업적 여과의 단점인 재구축 비용을 감소시키고 사용자들의 새로운 선호도 피드백 정보에 대하여 계속적으로 반영 가능하게 하기 위해 점진적으로 새로운 정보를 갱신할 수 있는 구축 방법을 제안한다. Collaborative Filtering (CF), one of the most successful technologies among recommender systems, is a system assisting users in easily finding the useful information. However, despite its success and popularity, CF encounters a serious limitation with quality evaluation, called cold start problems. To alleviate this limitation, in this paper, we propose a unique method of building models derived from explicit ratings and applying the models to CF recommender systems. The proposed method is divided into two phases, an offline phase and an online phase. First, the offline phase is a building pre-computed model phase in which most of tasks can be conducted. Second, the online phase is either a prediction or recommendation phase in which the models are used. In a model building phase, we first determine a priori predicted rating and subsequently identify prediction errors for each user. From this error information, an error-reflected model is constructed. The error-reflected model, which is reflected average prior prediction errors of user neighbors and item neighbors, can make accurate predictions in the situation where users or items have few opinions; this is known as the cold start problems. In addition, in order to reduce the re-building tasks, the error-reflected model is designed such that the model is updated effectively and users'new opinions are reflected incrementally, even when users present a new rating feedback.
텍스트 마이닝과 소셜네트워크분석을 통한 AI·빅데이터 기반 제조기술 트렌드 연구
김일중(Iljung Kim),한아람(Aram Han),채희수(Heesu Chae),김하정(Hajeong Kim),유승화(Seunghwa Ryu),김준영(Joonyoung Kim),신민수(Minsoo Shin),김흥남(Heungnam Kim) 한국기술혁신학회 2021 기술혁신학회지 Vol.24 No.5
최근 스마트공장 질적 고도화의 일환으로 제조 생태계에 AI·빅데이터 기술적용에 대한 관심이 고조되고 있다. 그러나 기존 제조기술 트렌드 연구는 스마트공장 구축을 위한 자동화·로봇화에 집중되어 제조 AI·빅데이터 중심의 제조기술 트렌드 연구 및 활용은 미비한 실정이다. 본 연구는 제조업에 적용되는 AI·빅데이터 기술에 대한 최근 6년 동안의 주요 이슈 및 트렌드를 분석하여 제조기업의 AI·빅데이터 기술도입의 방향성을 제시하고자 한다. 분석결과의 적시성과 정확도를 증대하기 위해 특허, 논문, 뉴스, 박람회, 인공지능 중소벤처 제조플랫폼(KAMP) 콘텐츠를 분석 데이터로 통합화하였다. 그리고 수집 데이터의 정제로 Python 3.6과 텍스트 마이닝 및 소셜네트워크분석은 KrKwic 2.0, UCINET 6.721을 활용하였다. 분석 결과, 시간의 흐름에 따라 제조 특화 AI, 딥러닝, 알고리즘 키워드의 연결중심성이 높아지는 것으로 나타났으며 이를 구현하기 위해 고성능 컴퓨팅 기술을 포함한 다수의 제조AI 기술군집이 형성되었다. 제조현장의 AI 적용목적에 따라 보다 다양하고 최적화된 제조 특화 AI 알고리즘 및 제조 빅데이터 융·복합기술의 중요도가 증가하고 있음을 관찰할 수 있었다. Recently, there has been a surge of interest in manufacturing AI and big data technology application. Since current manufacturing technology trend research is focused on automation and robotization for the construction of smart factories, study and utilization of manufacturing technology trends centered on manufacturing AI and big data are insufficient. Therefore, this study examines major issues and trends in AI·big data technologies applied to the manufacturing industry over the last six years. To reflect the timeliness and accuracy of analysis results, patents, theses, news, fairs, and Korea AI Manufacturing Platform(KAMP) contents are integrated into analysis data, and data refinement is performed using Python 3.6, text mining, and social network analysis. KrKwic 2.0 and UCINET 6.721 were utilized for this purpose. It was discovered that the degree centrality of manufacturing AI keywords rose with time, prompting the formation of a number of manufacturing AI technology clusters. The significance of more diverse AI algorithms specialized in manufacturing and high-performance infra resources increases depending on the aim of AI application in the manufacturing site.
김흥남(Heung-Nam Kim),이기성(Kee-Sung Lee),조근식(Geun-Sik Jo) 한국정보과학회 2003 한국정보과학회 학술발표논문집 Vol.30 No.2Ⅰ
인터넷의 급속한 성장과 더불어 많은 정보와 데이터들을 인터넷을 통하여 얻을 수 있게 되었으며 많은 단체들이 문서들을 웹을 통하여 이용 가능하게 만들고 있다. 이에 따라 다양한 정보와 데이터를 효과적으로 분류하고 검색하는 문서 분류 (Document Classification)에 대한 알고리즘이 다양한 분야에서 널리 연구되어 왔으며 본 논문에서 초점을 두고 있는 전자 도서관 (Digital Library) 분야에서도 활발히 연구되어지고 있다. 하지만 기존의 전자 도서관의 문서 분류 알고리즘들은 문서들의 각 단락의 비중을 고려하지 않은 채 단어들의 발생 빈도에 초점을 두어 많은 잡음 단어 (Noise Term)를 포함하고 그로 인하여 분류 성능이 떨어졌다. 본 논문에서는 문서 단락의 중요도에 따라 다른 가중치를 부여하여 단어 지지도 (Term Support)가 높은 단어들을 추출하고 그 단어들로 연관 규칙 (Association Rules)을 이용하여 분류 규칙을 생성하는 방법을 제안한다. 제안된 방법의 성능평가를 위해 문서 분류에 널리 쓰이는 나이브 베이지안 분류자 (Na□ve Bayesian Classifier) 및 기존의 단순 연관규칙 분류자 (Associative Classifier)와 비교 평가 하였다. 그 결과, 각 가중치가 부여된 연관 규칙 분류 방법이 나이브 베이지안 분류 방법과 단순 연관 규칙 분류 방법보다 높은 성능을 보였다.