KR101064256B1 - 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 - Google Patents

최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 Download PDF

Info

Publication number
KR101064256B1
KR101064256B1 KR1020090118944A KR20090118944A KR101064256B1 KR 101064256 B1 KR101064256 B1 KR 101064256B1 KR 1020090118944 A KR1020090118944 A KR 1020090118944A KR 20090118944 A KR20090118944 A KR 20090118944A KR 101064256 B1 KR101064256 B1 KR 101064256B1
Authority
KR
South Korea
Prior art keywords
document
database
category
maximum
feature
Prior art date
Application number
KR1020090118944A
Other languages
English (en)
Other versions
KR20110062274A (ko
Inventor
정도헌
성원경
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020090118944A priority Critical patent/KR101064256B1/ko
Priority to PCT/KR2010/008115 priority patent/WO2011068315A2/ko
Publication of KR20110062274A publication Critical patent/KR20110062274A/ko
Application granted granted Critical
Publication of KR101064256B1 publication Critical patent/KR101064256B1/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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/374—Thesaurus

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스, 분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하여 상기 분류대상 문서의 범주를 결정한 후 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정하는 최대 개념강도 결정부, 및 상기 최대 개념강도 결정부에서 결정된 상기 분류대상 문서의 최대 개념강도를 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 데이터베이스 선택부를 포함한다.
자동분류, 최대 개념강도 인지기법(MCR: Maximal Concept-Strength Recognition Method), 분산형 데이터베이스, 자질, 범주, 분산 도메인

Description

최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법{Apparatus and Method for Selecting Optimal Database by Using The Maximal Concept Strength Recognition Techniques}
본 발명은 자질별 가중치값을 이용하여 다수의 분산형 데이터베이스 환경에서 신규로 입력된 문서에 대하여 최적의 데이터베이스를 선택해 자동 분류(자동범주 부여)하는 성능을 극대화하기 위한 최대 개념강도 인지기법을 이용한 최적의 도메인 선택장치 및 그 방법에 관한 것이다.
다양한 학술정보 데이터베이스를 구축하고 서비스하는 경우, 서비스 고도화를 위해 자주 언급되는 것이 개별 문서의 자동분류화와 통합 분류 체계의 적용에 대한 것이다.
그러나, 개별 문서의 자동분류 문제는 대용량의 데이터베이스 환경 하에서 학습모델을 대용량 기반으로 처리해야 하기 때문에 많은 연구에서 제안된 최적의 알고리즘을 실제 서비스에 적용하기 어려운 문제점이 있다.
통합정보 서비스의 경우 통합서비스의 표준 주제분류에 맞도록 여러 자원을 자동분류해야 하며, 이때 이기종 데이터베이스 간의 자동분류 성능이 현저히 떨어 지기 때문에 실효성이 떨어지는 문제가 있다.
예를 들어, 논문과 특허, 또는 논문과 연구보고서의 경우 분류와 용어속성을 갖는 정보소스가 상이하고, 유사한 영역으로 생각되는 학술논문정보 내에서도 사용되는 용어개념이 상이하여 분류학습 모델을 일반화하기 어려운 문제가 있다.
따라서, 다양한 분야와 속성을 가진 정보자원이 구축된 분산형 데이터베이스 환경으로 새로운 자원(문서)이 입수되어 자동으로 해당되는 데이터베이스 및 문서의 범주를 할당해야 하는 자동분류 환경 구축이 요구된다.
본 발명은 입력된 분류대상 문서로부터 추출된 자질값을 이용해 여러 데이터베이스로부터 연산한 벡터정보를 선형 결합하여 최대 가중치값을 산출하여 분류대상 문서가 최적으로 분류되는 분산형 데이터베이스를 선택하고, 동시에 상기 데이터베이스에서 해당되는 문서의 범주를 부여하는 최대 개념강도 인지기법을 이용한 최적의 도메인 선택장치 및 그 방법을 제공한다.
본 발명의 한 특징에 따르면, 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스, 분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하여 상기 분류대상 문서의 범주를 결정한 후 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개 념강도로 결정하는 최대 개념강도 결정부, 및 상기 최대 개념강도 결정부에서 결정된 상기 분류대상 문서의 최대 개념강도를 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 데이터베이스 선택부를 포함한다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치에 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 데이터베이스 선택부에서 선택한 결과값을 누적하여 상기 분류대상 문서 전체가 의미적으로 가장 유사한 데이터베이스로 지정되는 분산형 데이터베이스를 선택하는 카운터부를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스, 분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하고 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 범주 및 자질별 가중치 최대값 산출부, 및 상기 산출된 문서의 범주와 자질별 가중치 최대값을 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스와 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 데이터베이스 및 범주 선택부를 포함한다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하 여 상기 데이터베이스 및 범주 선택부에서 선택된 분산형 데이터베이스 결과값을 누적하여 상기 분류대상 문서 전체가 분류되는 분산형 데이터베이스를 선택하는 카운터부를 더 포함할 수 있다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 자질별 가중치값은 고빈도어 선호경향을 갖는 연관성 척도인 코사인 유사계수를 사용하는 자질값 투표형 분류기로부터 연산될 수 있다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 최대 개념강도 결정부 또는 상기 범주 및 자질별 가중치 최대값 산출부는 아래 수학식에 의하여 상기 자질별 가중치값을 연산할 수 있다.
Figure 112009074674506-pat00001
(여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 최대 개념강도 결정부는 아래 수학식에 의하여 상기 분류대상 문서의 범주를 결정할 수 있다.
Figure 112009074674506-pat00002
(여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값을 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이 스 선택장치의 상기 최대 개념강도 결정부 또는 범주 및 자질별 가중치 최대값 산출부는 아래 수학식에 의하여 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 결정할 수 있다.
Figure 112009074674506-pat00003
(여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 데이터베이스 선택부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택할 수 있다.
Figure 112009074674506-pat00004
(여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 상기 카운터부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서 전체의 특성과 유사한 분산형 데이터베이스를 선택할 수 있다.
Figure 112009074674506-pat00005
(여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
본 발명의 다른 특징에 따르면, 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스를 포함하며 분류대상 문서가 입력되면 상기 분류대상 문서의 특성에 따라 데이터베이스가 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 있어서, (a) 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하는 단계, (b) 상기 자질별 가중치값을 이용하여 상기 분류대상 문서의 범주를 결정하고 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정하는 단계, 및 (c) 상기 최대 개념강도를 각각의 분산형 데이터베이스에 대하여 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 단계를 포함한다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 선택하는 단계를 더 포함할 수 있다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 (a)단계에서, 상기 자질별 가중치값은 아래 수학식에 의하여 연산될 수 있다.
Figure 112009074674506-pat00006
(여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 (b)단계에서, 상기 분류대상 문서의 범주는 아래 수학식에 의하여 결정될 수 있다.
Figure 112009074674506-pat00007
(여기서, fi: 자질, cj: 범주, vs((fi, cj): 자질별 가중치값을 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 (b)단계에서, 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질값 가중치값은 아래 수학식에 의하여 연산될 수 있다.
Figure 112009074674506-pat00008
(여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 (c)단계에서, 상기 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 데이터베이스는 아래 수학식에 의하여 선택될 수 있다.
Figure 112009074674506-pat00009
(여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미함)
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 선택하는 단계에서, 상기 누적 개수가 최대인 분산형 데이터베이스는 아래 수학식에 의하여 선택될 수 있다.
Figure 112009074674506-pat00010
(여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것 을 의미함)
본 발명의 다른 특징에 따르면, 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스를 포함하며 분류대상 문서가 입력되면 상기 분류대상 문서의 특성에 따라 데이터베이스가 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 있어서, (a) 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하는 단계, (b) 상기 자질별 가중치값을 이용하여 상기 분류대상 문서의 범주와 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 단계, 및 (c) 상기 문서의 범주와 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 각각의 분산형 데이터베이스에 대하여 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 단계를 포함한다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 단계를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 최대 개념강도 인지기법을 이용한 최적의 도메인 선택방법을 수행하는 프로그램이 기록되고 전자 장치에서 판독 가능한 기록매체에 기록될 수 있다.
본 발명의 다른 특징에 따르면, 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스, 분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하고 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 범주 및 자질별 가중치 최대값 산출부, 상기 산출된 문서의 범주와 자질별 가중치 최대값을 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스와 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 데이터베이스 및 범주 선택부와, 상기 분류대상 문서가 해당되는 데이터베이스와 범주에 대한 정보를 전송하는 송수신부를 포함하는 서버, 및 상기 서버와 인증절차를 처리하며 유무선 통신망을 통해 상기 서버로부터 선택된 상기 분류대상 문서가 해당되는 데이터베이스와 범주에 대한 정보를 전송받는 외부단말을 포함한다.
또한, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템의 상기 서버는, 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 데이터베이스 선택부에서 선택한 결과값을 누적하여 상기 분류대상 문서 전체가 분류되는 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 카운터부를 더 포함할 수 있다.
본 발명의 실시 예에서는 문서가 분산된 데이터베이스 중 어디에 해당되는지 분류할 때, 대용량 분류의 문제점을 해결하고 분류대상 문서의 특성과 가장 유사한 데이터베이스를 선택할 수 있는 효과가 있다.
또한, 대용량 학습모델 구축을 통한 범주화가 어려운 환경에서 분산된 개별 학습모델 중 최적의 모델을 찾을 수 있으며, 통합정보서비스 환경에 적합한 자동분류 환경을 구축할 수 있다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이제 본 발명의 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 도메인 선택장치 및 그 방법에 대하여 도면을 참조하여 상세하게 설명하고, 도면 부호에 관계없이 동일하거나 대응하는 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
< 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치>
도 1은 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 구성도를 개략적으로 도시한 도면이고, 도 2는 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 구성도를 개략적으로 도시한 도면이다.
제1 실시 예
도 1에 도시한 바와 같이, 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치(100)는 분산형 데이터베이스(110), 최대 개념강도 결정부(120a), 데이터베이스 선택부(130a) 및 카운터부(140)를 포함한다.
분산형 데이터베이스(110)는 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 공간을 의미하며, 예를 들어, 과학기술동향이 저장되는 GTB 데이터베이스, 국내학술논문이 저장되는 SOC, 해외학술논문이 저장되는 NDS 데이터베이스, 상기의 세 개의 데이터베이스가 통합된 GNS 데이터베이스 등으로 분류될 수 있다.
각각의 분산형 데이터베이스(110)는 저장된 문서로부터 학습된 분류기를 포함하며, 각각의 분류기로부터 자질(키워드)별 가중치값이 연산되어 문서의 범주(주제분야)를 분류할 수 있다.
최대 개념강도 결정부(120a)는 분류대상 문서가 입력되면, 분류대상 문서로부터 자질을 추출하고 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산할 수 있다.
최대 개념강도 결정부(120a)는 분류대상 문서의 범주를 결정한 후 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정할 수 있다.
여기서, 자질별 가중치값은 자질(키워드)과 범주(주제분야)의 연관도를 의미 하며, 자질별 가중치값은 고빈도어 선호경향을 갖는 연관성 척도인 유사 계수를 사용하는 자질값 투표형 분류기 등으로부터 연산될 수 있다.
유사 계수는 고빈도어 선호경향을 갖는 자카드 계수(Jaccard Coefficient), 코사인 유사계수(Cosine Coefficient) 등과, 저빈도어 선호경향을 갖는 로그승산비(Log-odds ratios), 상호정보량(Mutual information) 등을 다양하게 적용할 수 있다.
예를 들어, 분류대상 문서에 나타난 n개의 단어 자질집합과 후보범주 m개의 집합을 각각 F={f1, f2, f3, ..., fn}와 C={c1, c2, c3, ...., cn}로 표현하고, 자질 fi가 범주 cj에 대하여 가지는 자질값을 vs(fi, cj)라고 한다.
구체적으로, 최대 개념강도 결정부(120)는 [수학식 1]에 의하여 자질별 가중치값(vs(f, cj))을 연산하고, [수학식 2]에 의하여 분류대상 문서의 범주(cj)를 결정하며, [수학식 3]에 의하여 분류대상 문서의 범주(cj)와 문서 범주에 대한 자질값 가중치값을 연산한 최대값(vcj max)을 결정할 수 있다.
Figure 112009074674506-pat00011
(여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
Figure 112009074674506-pat00012
(여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값을 의미함)
Figure 112009074674506-pat00013
(여기서, fi: 자질, cj: 범주, vs((fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
데이터베이스 선택부(130a)는 최대 개념강도 결정부(120a)에서 결정된 분류대상 문서의 최대 개념강도를 분산형 데이터베이스(110)에 대하여 각각 적용하여 분류대상 문서의 특성과 유사한 분산형 데이터베이스(110)를 선택할 수 있다.
구체적으로, 데이터베이스 선택부(130a)는 [수학식 4]에 의하여 각각의 분산형 데이터베이스(110) 중 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택할 수 있다.
Figure 112009074674506-pat00014
(여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미 함)
카운터부(140)는 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 데이터베이스 선택부(130a)에서 선택한 결과값을 누적하여 분류대상 문서 전체가 분류되는 분산형 데이터베이스(110)를 선택할 수 있다.
즉, 카운터부(140)는 [수학식 5]에 의하여 각각의 분산형 데이터베이스(110)가 선택되면 "1"을 누적한 결과값을 이용하여 분류대상 문서 전체의 특성과 유사한 분산형 데이터베이스를 선택할 수 있다.
Figure 112009074674506-pat00015
(여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
제2 실시 예
도 2에 도시한 바와 같이, 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치(100)는 분산형 데이터베이스(110), 범주 및 자질별 가중치 최대값 산출부(120b), 데이터베이스 및 범주 선택부(130b) 및 카운터부(140)를 포함한다.
상기의 분산형데이터베이스(110)와 카운터부(140)의 기능은 제1 실시 예에서 설명한 바와 유사하며, 범주 및 자질별 가중치 최대값 산출부(120b) 및 데이터베이스 및 범주 선택부(130b)에 대하여 구체적으로 설명하도록 한다.
먼저, 범주 및 자질별 가중치 최대값 산출부(120b)는 분류대상 문서가 입력되면 분류대상 문서로부터 자질을 추출하고 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산할 수 있다.
또한, 분류대상 문서의 범주와 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 산출한 후 분산형 데이터베이스 선택 및 범주 선택시 활용할 수 있다.
데이터베이스 및 범주 선택부(130b)는 산출된 문서의 범주와 자질별 가중치 최대값을 분산형 데이터베이스(110)에 대하여 각각 적용하여 분류대상 문서의 특성과 유사한 분산형 데이터베이스(110)와 데이터베이스에서 문서가 해당되는 범주를 동시에 선택할 수 있다.
구체적으로, 데이터베이스 및 범주 선택부(130b)는 상술한 [수학식 6] 및 [수학식 7]에 의하여 분류대상 분서가 해당되는 데이터베이스 및 문서의 범주를 동시에 선택할 수 있다.
<최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법이 기록된 기록매체>
본 발명의 다른 특징에 따르면, 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 수행하는 프로그램이 기록되고 전자 장치에서 판독 가능한 기록매체에 기록될 수 있다.
최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은 컴퓨터 프로그램으로 작성 가능하며, 상기 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다.
또한, 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 관한 프로그램은 컴퓨터가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 컴퓨터에 의하여 읽혀지고 실행됨으로써 분류대상 문서를 자동범주화할 수 있다.
<최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법>
도 3은 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 흐름도를 도시한 도면이고, 도 4는 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 흐름도를 도시한 도면이다.
제1 실시 예
도 3에 도시한 바와 같이, 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은 입력문서에 대해 자질별 가중치값을 연산하고(S310), 최대 개념강도로 결정하고(S320), 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택한 후(S330), 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 최종 데이터베이스로 선택한다(S340).
다수의 문서가 분류되어 저장되는 분산형 데이터베이스를 포함하는 최대 개 념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은, 분류대상 문서의 특성에 따라 분류될 분산형 데이터베이스를 선택하는 알고리즘을 의미한다.
본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은 개별문서의 최대 개념강도를 측정한 결과값을 이용하여 문서를 분류하는 방법이다.
먼저, 최대 개념강도는 [수학식 5]에 의하여 계산되며, 자질별 가중치값을 연산한 최대값으로 정의된다.
자질별 가중치값을 구하는 방법은 각각의 분류대상 문서로부터 자질을 추출하고 추출된 자질과 범주의 유사도를 이용하여 연산되며, 결정된 문서의 범주를 이용하여 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정한다.
구체적으로, 문서의 범주 및 문서의 범주에 대한 자질별 가중치값을 연산한 최대값은 상술한 바와 같이 [수학식 1] 내지 [수학식 5]에 의하여 결정될 수 있다.
다음으로, 최대 개념강도를 각각의 분산형 데이터베이스에 대하여 적용하여 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택할 수 있다.
상기의 단계(S310~S330)는 하나의 문서에 대하여 분산형 데이터베이스를 선택하는 방법이며, 다수의 분류대상 문서가 입력되면, 각각의 분류대상 문서에 대하여 상기의 단계(S310~S330)를 반복하며, 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 선택할 수 있다.
제2 실시 예
도 4에 도시한 바와 같이, 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은 자질별 가중치값을 연산하고(S410), 분류대상 문서의 범주와 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하고(S420), 분류대상 문서의 특성과 유사한 분산형 데이터베이스 및 데이터베이스에서 문서가 해당되는 범주를 동시에 선택한 후(S430), 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 최종 데이터베이스로 선택할 수 있다(S440).
본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법은 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법과 유사하며, 분산형 데이터베이스를 선택하면서 동시에 선택된 분산형 데이터베이스에 해당되는 문서의 범주를 결정하는 차이가 있다.
<최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템>
도 5는 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템의 구성도를 개략적으로 도시한 도면이다.
도 5에 도시한 바와 같이, 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템은 서버(510), 유무선 통신망(520) 및 외부단말(530)을 포함한다.
서버(510)는 상술한 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 구성요소를 포함하여 구성되며, 유무선 통신망을 통해 서버(510)로부터 선택된 분류대상 문서의 데이터베이스와 범주에 대한 정보를 외부단말(530)로 전송한다.
외부단말(530)은 서버(510)와 인증절차를 처리하며, 분류대상 문서가 해당되는 데이터베이스와 문서의 범주에 대한 정보를 전송받을 수 있다.
또한, 서버(510)는, 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 선택된 데이터베이스 결과값을 누적하여 다수의 분류대상 문서 전체가 분류되는 분산형 데이터베이스를 선택할 수 있다.
도 6은 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 설명하기 위한 도면이고, 도 7 내지 도 12는 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 사용하여 실험 문서셋에 대하여 데이터베이스를 교차 실험한 결과를 나타내는 도면이다.
본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 의하여 최적의 데이터베이스를 선택하는 확률을 실험하기 위하여 A, B, C 등의 실험 모델을 준비한다.
A, B 또는 C 실험 모델은 GTB, SOC 또는 NDS 학습 모델로 구현될 수 있다.
실험은 세 단계로 진행되며, 1단계는 전처리 단계에서의 다양한 실험을 통해 분류결과가 전처리에 의하여 왜곡되지 않도록 한다.
2단계는 분류기를 이용하여 교차분류 실험을 통해 이기종의 데이터베이스 분 류실험 결과를 비교하는 단계이다.
분류기 생성은 분류대상 문서(DB1, DB2 또는 DB3)로부터 자질을 추출하고, 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하여 자질의 주제-가중치 벡터정보의 선형결합을 통해 데이터베이스별 분류기를 생성한다.
3단계에서 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 적용하여 성능을 측정하여 비교한다.
여기서, 전처리 단계는 8가지 유형으로 구분되며, 스테밍과 형태소분석 등의 방법을 사용하여 자질(키워드)을 추출한 것이다.
먼저, 도 7은 분류대상 실험 문서셋을 NDS 데이터베이스에서 추출한 후, 교차실험과 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에서 데이터베이스(도메인) 만을 선택하는 경우 각각의 데이터베이스 선택비율을 측정 결과이다.
도 7에 나타낸 바와 같이, NDS 실험 문서셋은 NDS 학습 모델을 가지고 실험한 결과가 가장 높은 퍼센트를 차지하는 것을 확인할 수 있다.
도 8은 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에서 데이터베이스(도메인)와 범주(주제분야)를 동시에 선택하는 경우 각각의 데이터베이스별 분류기에 대해 문서 자동 범주화의 정확률을 추가로 측정한 것이다.
데이터베이스(도메인)와 범주(주제분야)를 동시에 선택하는 경우에는 최대 개념강도 측정을 통해 선택된 해당 데이터베이스의 분류기를 직접 이용해서 다시 한번 자동범주화를 실행하는 경우와 거의 비슷한 성능을 보이는 것을 확인할 수 있으며, 특히, 최적의 데이터베이스 선택과 동시에 실시간으로 고성능의 자동범주화가 이루어진다는 점이 매우 특징적이다.
상기의 실험 결과를 확인하기 위하여, 신규의 문서를 실험 문서셋으로 설정한 후 각각의 데이터베이스에 대하여 실험한 결과 도 10 내지 도 12와 같은 결과를 얻을 수 있다.
즉, 본 발명에 따른 최대 개념강도 인지기법을 이용하여 최적의 데이터베이스를 선택하면, 신규 문서는 NDS 데이터베이스를 선택하게 된다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
도 1은 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 구성도를 개략적으로 도시한 도면이다.
도 2는 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치의 구성도를 개략적으로 도시한 도면이다.
도 3은 본 발명의 제1 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 흐름도를 도시한 도면이다.
도 4는 본 발명의 제2 실시 예에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법의 흐름도를 도시한 도면이다.
도 5는 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템의 구성도를 개략적으로 도시한 도면이다.
도 6은 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 설명하기 위한 도면이다.
도 7 내지 도 12는 본 발명에 따른 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법을 사용하여 실험 문서셋에 대하여 데이터베이스를 교차 실험한 결과를 나타내는 도면이다.
<도면의 간단한 설명>
100: 최대 개념강도 인지기법을 이용한 최적의 도메인 선택장치
110: 분산형 데이터베이스 120a: 최대 개념강도 결정부
120b: 범주 및 자질별 가중치 최대값 산출부
130a: 데이터베이스 선택부 130b: 데이터베이스 및 범주 선택부
140: 카운터부 510: 서버
520: 유무선 통신망 530: 외부단말

Claims (31)

  1. 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스;
    분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하여 상기 분류대상 문서의 범주를 결정한 후 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정하는 최대 개념강도 결정부; 및
    상기 최대 개념강도 결정부에서 결정된 상기 분류대상 문서의 최대 개념강도를 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 데이터베이스 선택부;를 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
  2. 제1항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 데이터베이스 선택부에서 선택한 결과값을 누적하여 상기 분류대상 문서 전체가 분류되는 분산형 데이터베이스를 선택하는 카운터부를 더 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
  3. 제1항 또는 제2항에 있어서,
    상기 최대 개념강도 결정부는 아래 수학식에 의하여 상기 자질별 가중치값을 연산하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00016
    (여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
  4. 제3항에 있어서,
    상기 최대 개념강도 결정부는 아래 수학식에 의하여 상기 분류대상 문서의 범주를 결정하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00017
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값을 의미함)
  5. 제3항에 있어서,
    상기 최대 개념강도 결정부는 아래 수학식에 의하여 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 결정하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00018
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
  6. 제5항에 있어서,
    상기 데이터베이스 선택부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00019
    (여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미함)
  7. 제2항에 있어서,
    상기 카운터부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서 전체의 특성과 유사한 분산형 데이터베이스를 선택하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112011017458685-pat00020
    (여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
  8. 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스;
    분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하고 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 범주 및 자질별 가중치 최대값 산출부; 및
    상기 산출된 문서의 범주와 자질별 가중치 최대값을 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스와 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 데이 터베이스 및 범주 선택부;를 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
  9. 제8항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 데이터베이스 및 범주 선택부에서 선택된 분산형 데이터베이스 결과값을 누적하여 상기 분류대상 문서 전체가 분류되는 분산형 데이터베이스를 선택하는 카운터부를 더 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
  10. 제8항에 있어서,
    상기 자질별 가중치값은 고빈도어 선호경향을 갖는 연관성 척도인 코사인 유사계수를 사용하는 자질값 투표형 분류기로부터 연산되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
  11. 제8항 또는 제9항에 있어서,
    상기 범주 및 자질별 가중치 최대값 산출부는 아래 수학식에 의하여 상기 자질별 가중치값을 연산하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00021
    (여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
  12. 제11항에 있어서,
    상기 범주 및 자질별 가중치 최대값 산출부는 아래 수학식에 의하여 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질값 가중치값을 연산하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00022
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
  13. 제12항에 있어서,
    상기 데이터베이스 및 범주 선택부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112009074674506-pat00023
    (여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미함)
  14. 제9항에 있어서,
    상기 카운터부는 아래 수학식에 의하여 각각의 분산형 데이터베이스 중 상기 분류대상 문서 전체의 특성과 유사한 분산형 데이터베이스를 선택하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치.
    Figure 112011049186857-pat00024
    (여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
  15. 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스를 포함하며 분류대상 문서가 입력되면 상기 분류대상 문서의 특성에 따라 데이터베이스가 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 있어서,
    (a) 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하는 단계;
    (b) 상기 자질별 가중치값을 이용하여 상기 분류대상 문서의 범주를 결정하고 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 최대 개념강도로 결정하는 단계; 및
    (c) 상기 최대 개념강도를 각각의 분산형 데이터베이스에 대하여 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스를 선택하는 단계;를 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
  16. 제15항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 선택하는 단계를 더 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
  17. 제15 또는 제16항에 있어서, 상기 (a)단계에서,
    상기 자질별 가중치값은 아래 수학식에 의하여 연산되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00025
    (여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
  18. 제17항에 있어서, 상기 (b)단계에서,
    상기 분류대상 문서의 범주는 아래 수학식에 의하여 결정되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00026
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값을 의미함)
  19. 제17항에 있어서, 상기 (b)단계에서,
    상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질값 가중치값은 아래 수학식에 의하여 연산되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00027
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
  20. 제19항에 있어서, 상기 (c)단계에서,
    상기 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 데이터베이스는 아래 수학식에 의하여 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00028
    (여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 를 의미함)
  21. 제20항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스를 선택하는 단계에서,
    상기 누적 개수가 최대인 분산형 데이터베이스는 아래 수학식에 의하여 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00029
    (여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
  22. 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스를 포함하며 분류대상 문서가 입력되면 상기 분류대상 문서의 특성에 따라 데이터베이스가 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법에 있어서,
    (a) 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하는 단계;
    (b) 상기 자질별 가중치값을 이용하여 상기 분류대상 문서의 범주와 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 단계; 및
    (c) 상기 문서의 범주와 상기 문서의 범주에 대한 자질별 가중치값을 연산한 최대값을 각각의 분산형 데이터베이스에 대하여 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 단계;를 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
  23. 제22항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 단계를 더 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
  24. 제22항 또는 제23항에 있어서, 상기 (a)단계에서,
    상기 자질별 가중치값은 아래 수학식에 의하여 연산되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00030
    (여기서, f: 자질, cj: 범주, tf: 용어 빈도수, df: 문헌 빈도수, cos(f, cj): 코사인 유사계수를 의미함)
  25. 제24항에 있어서, 상기 (b)단계에서,
    상기 분류대상 문서의 범주는 아래 수학식에 의하여 결정되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00031
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값을 의미함)
  26. 제24항에 있어서, 상기 (b)단계에서,
    상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질값 가중치값은 아래 수학식에 의하여 연산되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00032
    (여기서, fi: 자질, cj: 범주, vs(fi, cj): 자질별 가중치값, vcj max: 문서 범주에 대한 자질별 가중치값을 연산한 최대값)
  27. 제26항에 있어서, 상기 (c)단계에서,
    상기 분산형 데이터베이스 중 상기 분류대상 문서의 특성과 유사한 데이터베이스 및 상기 데이터베이스에서는 상기 문서가 해당되는 범주는 아래 수학식에 의하여 동시에 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00033
    (여기서, dj: j번째 문서, Dk: k번째 데이터베이스, dj pred[2]: vcj max 을 의미함)
  28. 제27항에 있어서,
    상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 (a) 내지 (c) 단계를 반복하며, 상기 (c) 단계에서 선택되는 분산형 데이터베이스의 누적 개수가 최대인 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서 가 해당되는 범주를 동시에 선택하는 단계에서,
    상기 누적 개수가 최대인 분산형 데이터베이스는 아래 수학식에 의하여 선택되는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택방법.
    Figure 112009074674506-pat00034
    (여기서, set{d}: 전체 문서 집합, dj: j번째 문서, Dk: k번째 데이터베이스, binary(MCRsingle(dj pred)[1]): 선택된 Dk 에 따라 "1" 또는 "0" 값을 부여하는 것을 의미함)
  29. 삭제
  30. 문서의 분류체계와 용어 속성을 포함하는 문서의 특성에 따라 다수의 문서가 분류되어 저장되는 분산형 데이터베이스, 분류대상 문서가 입력되면 상기 분류대상 문서로부터 자질을 추출하고 상기 추출된 자질과 범주의 유사도를 이용하여 자질별 가중치값을 연산하고 상기 분류대상 문서의 범주와 상기 문서 범주에 대한 자질별 가중치값을 연산한 최대값을 산출하는 범주 및 자질별 가중치 최대값 산출부, 상기 산출된 문서의 범주와 자질별 가중치 최대값을 상기 분산형 데이터베이스에 대하여 각각 적용하여 상기 분류대상 문서의 특성과 유사한 분산형 데이터베이스와 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 데이터베이스 및 범주 선택부와, 상기 분류대상 문서가 해당되는 데이터베이스와 범주에 대한 정보를 전송하는 송수신부를 포함하는 서버; 및
    상기 서버와 인증절차를 처리하며 유무선 통신망을 통해 상기 서버로부터 선택된 상기 분류대상 문서가 해당되는 데이터베이스와 범주에 대한 정보를 전송받는 외부단말;을 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템.
  31. 제30항에 있어서,
    상기 서버는, 상기 분류대상 문서가 다수 입력되면 각각의 분류대상 문서에 대하여 상기 데이터베이스 선택부에서 선택한 결과값을 누적하여 상기 분류대상 문서 전체가 분류되는 분산형 데이터베이스 및 상기 데이터베이스에서 상기 문서가 해당되는 범주를 동시에 선택하는 카운터부를 더 포함하는 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택시스템.
KR1020090118944A 2009-12-03 2009-12-03 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 KR101064256B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020090118944A KR101064256B1 (ko) 2009-12-03 2009-12-03 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법
PCT/KR2010/008115 WO2011068315A2 (ko) 2009-12-03 2010-11-16 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090118944A KR101064256B1 (ko) 2009-12-03 2009-12-03 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20110062274A KR20110062274A (ko) 2011-06-10
KR101064256B1 true KR101064256B1 (ko) 2011-09-14

Family

ID=44115389

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090118944A KR101064256B1 (ko) 2009-12-03 2009-12-03 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR101064256B1 (ko)
WO (1) WO2011068315A2 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101243054B1 (ko) * 2012-07-06 2013-03-13 한국과학기술정보연구원 웹 검색 기반 용어 인식 방법 및 장치
KR101240330B1 (ko) * 2012-07-16 2013-03-11 한국과학기술정보연구원 다차원 문서 분류 시스템 및 방법
US9424321B1 (en) * 2015-04-27 2016-08-23 Altep, Inc. Conceptual document analysis and characterization
CN106446089B (zh) * 2016-09-12 2019-08-16 北京大学 一种多维度领域关键知识的提取和存储方法
US11379618B2 (en) * 2017-06-01 2022-07-05 International Business Machines Corporation Secure sensitive personal information dependent transactions

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000054268A (ko) * 2000-05-30 2000-09-05 전상훈 문서 자동 요약을 이용한 문서 분류 검색 방법 및 문서분류 검색 시스템
KR20030094966A (ko) * 2002-06-11 2003-12-18 주식회사 코스모정보통신 통제학습 기반의 문서 자동분류시스템 및 그 방법
KR100756921B1 (ko) 2006-02-28 2007-09-07 한국과학기술원 문서 분류방법 및 그 문서 분류방법을 컴퓨터에서 실행시키기 위한 프로그램을 포함하는 컴퓨터로 읽을 수있는 기록매체.
KR100816923B1 (ko) 2006-04-13 2008-03-26 엘지전자 주식회사 문서 분류 시스템 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100718586B1 (ko) * 2002-11-25 2007-05-16 한국과학기술원 웹 상의 이질적인 이미지 데이터베이스들을 선택하기 위한복합추정 방법 및 이를 이용한 검색 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000054268A (ko) * 2000-05-30 2000-09-05 전상훈 문서 자동 요약을 이용한 문서 분류 검색 방법 및 문서분류 검색 시스템
KR20030094966A (ko) * 2002-06-11 2003-12-18 주식회사 코스모정보통신 통제학습 기반의 문서 자동분류시스템 및 그 방법
KR100756921B1 (ko) 2006-02-28 2007-09-07 한국과학기술원 문서 분류방법 및 그 문서 분류방법을 컴퓨터에서 실행시키기 위한 프로그램을 포함하는 컴퓨터로 읽을 수있는 기록매체.
KR100816923B1 (ko) 2006-04-13 2008-03-26 엘지전자 주식회사 문서 분류 시스템 및 그 방법

Also Published As

Publication number Publication date
WO2011068315A3 (ko) 2011-09-29
KR20110062274A (ko) 2011-06-10
WO2011068315A4 (ko) 2011-12-15
WO2011068315A2 (ko) 2011-06-09

Similar Documents

Publication Publication Date Title
CN108073568B (zh) 关键词提取方法和装置
CN108965245B (zh) 基于自适应异构多分类模型的钓鱼网站检测方法和***
US7107254B1 (en) Probablistic models and methods for combining multiple content classifiers
Jiménez‐Valverde et al. Discrimination capacity in species distribution models depends on the representativeness of the environmental domain
CN103955489B (zh) 基于信息熵特征权重量化的海量短文本分布式knn分类算法及***
JP5092165B2 (ja) データ構築方法とシステム
RU2693324C2 (ru) Способ и сервер преобразования значения категориального фактора в его числовое представление
US20090319449A1 (en) Providing context for web articles
CN110688474B (zh) 基于深度学习与链接预测的嵌入表示获得及引文推荐方法
KR101064256B1 (ko) 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법
CN110310012B (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN116089873A (zh) 模型训练方法、数据分类分级方法、装置、设备及介质
CN103631787A (zh) 网页类型识别方法以及网页类型识别装置
US20230074771A1 (en) Hierarchical clustering on graphs for taxonomy extraction and applications thereof
CN113836896A (zh) 一种基于深度学习的专利文本摘要生成方法和装置
KR101158750B1 (ko) 문서분류장치 및 그것의 문서분류방법
CN111259975B (zh) 分类器的生成方法及装置、文本的分类方法及装置
CN115510331B (zh) 一种基于闲置量聚合的共享资源匹配方法
CN113837807B (zh) 热度预测方法、装置、电子设备及可读存储介质
KR101928732B1 (ko) 텍스트 분석을 통한 이종 매체 카테고리 다중 매핑 시스템 및 방법
CN112685623B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN113901278A (zh) 一种基于全局多探测和适应性终止的数据搜索方法和装置
Wang et al. A knowledge discovery case study of software quality prediction: Isbsg database
CN114611668A (zh) 一种基于异质信息网络随机游走的向量表示学习方法及***
CN113282686A (zh) 一种不平衡样本的关联规则确定方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated 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
FPAY Annual fee payment

Payment date: 20140718

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150904

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160630

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170703

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee