http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Naive Bayes 와 SVM 을 이용한 트위터 데이터의 긍정/부정 의견 자동분류 결과 분석
조희련 ( Heeryon Cho ),김성국 ( Songkuk Kim ) 한국정보처리학회 2012 한국정보처리학회 학술대회논문집 Vol.19 No.1
나꼼수 비키니 시위’에 대한 긍정적(지지), 부정적(비판) 의견을 담은 트위터 데이터를, 단어의 출현에 주목하여 Naïve Bayes (NB)와 Support Vector Machine (SVM)을 적용하여 자동분류 한 결과, NB가 75.98%로, 73.65%인 SVM 보다 약간 더 나은 성능을 보였다. 본 실험을 통해, 기계학습을 이용한 대중의견(opinion) 자동분류 시스템을 실용화할 때의 고려사항에 대해 살펴 본다.
조희련 ( Heeryon Cho ),최상현 ( Sang-hyun Choi ) 한국정보처리학회 2015 한국정보처리학회 학술대회논문집 Vol.22 No.1
본 연구에서는 네이버 영화평을 학습데이터로 사용하여 영화평 감성분류에 필요한 감성사전을 자동으로 구축하는 방법에 대해 제안한다. 이 때 학습데이터의 분량과 긍정/부정 영화평의 비율을 달리하여 네 가지의 학습데이터를 마련하고, 각 경우에 대하여 감성사전과 나이브베이즈(이하, NB) 분류기를 구축한 후, 이 둘의 성능을 비교했다. 네 종류의 학습데이터로 구축한 감성사전과 NB 분류기를 이용하여 영화평 감성 자동분류 성능을 비교한 결과, 네 경우의 평균 균형정확도는 감성사전이 78.2%, NB 분류기가 66.1%였다.
다양한 차원 축소 기법을 적용한 문서 군집화 성능 비교
조희련 ( Heeryon Cho ) 한국정보처리학회 2018 한국정보처리학회 학술대회논문집 Vol.25 No.1
문서 군집화 성능을 높이기 위한 한 방법으로 차원 축소를 적용한 문서 벡터로 군집화를 실시하는 방법이 있다. 본 발표에서는 특이값 분해(SVD), 커 널 주성분 분석 (Kernel PCA), Doc2Vec 등의 차원 죽소 기법을, K-평균 군집화(K-means clustering), 계층적 병합 군집화(hierarchical agglomerative clustering), 스펙트럼 군집화(spectral clustering)에 적용하고, 그 성능을 비교해 본다.
KoBERT, 나이브 베이즈, 로지스틱 회귀의 한국어 쓰기 답안지 점수 구간 예측 성능 비교
조희련 ( Heeryon Cho ),임현열 ( Hyeonyeol Im ),차준우 ( Junwoo Cha ),이유미 ( Yumi Yi ) 한국정보처리학회 2021 한국정보처리학회 학술대회논문집 Vol.28 No.1
한국어 심층학습 언어모델인 KoBERT와, 확률적 기계학습 분류기인 나이브 베이즈와 로지스틱 회귀를 이용하여 유학생이 작성한 한국어 쓰기 답안지의 점수 구간을 예측하는 실험을 진행하였다. 네가지 주제(‘직업’, ‘행복’, ‘경제’, ‘성공’)를 다룬 답안지와 점수 레이블(A, B, C, D)로 쌍을 이룬 학습데이터 총 304건으로 다양한 자동분류 모델을 구축하여 7-겹 교차검증을 시행한 결과 KoBERT가 나이브 베이즈나 로지스틱 회귀보다 약간 우세한 성능을 보였다.
일본과 중국의 대학 AI 교양 교육 현황 분석 및 제언 -AI 리터러시 교양 교육 중심으로
박광영 ( Park Kwang Young ),권성호 ( Quan Cheng-hao ),조희련 ( Cho Heeryon ) 중앙대학교 인문콘텐츠연구소 2021 인공지능인문학연구 Vol.7 No.-
Nowadays a strong consensus is forming that the knowledge of how to use and communicate with AI should be included in the college liberal arts education. Meanwhile, South Korean universities are in the midst of discussing ways to introduce AI-related liberal arts program in their curriculum. This prompted us to explore the university situations in our neighboring countries, namely, Japan and China. We investigate how Japan and China are preparing university AI-related liberal arts education program and report the results in this paper. The current status of AI liberal arts education in the two countries can be summarized as follows. Japan has established a ‘Consortium for Strengthening Mathematical and Data Science Education’ and developed an ‘AI Literacy Standard Curriculum’. China is encouraging diverse majors to incorporate the knowledge of AI technology through ‘AI+X’ convergence model. Both countries have not yet explicitly established the AI liberal arts program per se, but are offering several AI-related courses such as ‘Introduction to AI’ to all university students. South Korean government and universities can take reference from Japan’s standard AI literacy curriculum and China’s ‘AI+X’ convergence model.