KR102282328B1 - System and Method for Predicting Preference National Using Long Term Short Term Memory - Google Patents
System and Method for Predicting Preference National Using Long Term Short Term Memory Download PDFInfo
- Publication number
- KR102282328B1 KR102282328B1 KR1020190146317A KR20190146317A KR102282328B1 KR 102282328 B1 KR102282328 B1 KR 102282328B1 KR 1020190146317 A KR1020190146317 A KR 1020190146317A KR 20190146317 A KR20190146317 A KR 20190146317A KR 102282328 B1 KR102282328 B1 KR 102282328B1
- Authority
- KR
- South Korea
- Prior art keywords
- country
- tweet
- tweet data
- keyword
- Prior art date
Links
- 230000007774 longterm Effects 0.000 title claims description 9
- 230000006403 short-term memory Effects 0.000 title claims description 8
- 238000000034 method Methods 0.000 title abstract description 10
- 239000013598 vector Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/10—Services
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G06Q50/30—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
LSTM을 이용한 국가별 선호도 예측 시스템 및 방법은 트윗 데이터의 국가 이름을 필터링하여 대상 국가에 해당 트윗 데이터를 각각 저장하고, 저장된 트윗 데이터를 키워드 분석하여 해당 국가의 선호도를 예측할 수 있어 다른 국가에서 관심사를 파악하며, 이를 기초로 글로벌 비지니스 플랫폼을 구축할 수 있는 효과가 있다.The country-specific preference prediction system and method using LSTM filters the country name in the tweet data, stores the corresponding tweet data in the target country, and analyzes the stored tweet data to predict the preference of the country by keyword analysis. It has the effect of building a global business platform based on this.
Description
본 발명은 선호도 예측 시스템에 관한 것으로서, 특히 트윗 데이터의 국가 이름을 필터링하여 대상 국가에 해당 트윗 데이터를 각각 저장하고, 저장된 트윗 데이터를 키워드 분석하여 해당 국가의 선호도를 예측하는 LSTM을 이용한 국가별 선호도 예측 시스템 및 방법에 관한 것이다.The present invention relates to a preference prediction system, in particular, by filtering the country name of the tweet data, storing the corresponding tweet data in a target country, and analyzing the stored tweet data by keyword analysis to predict the preference of the country using the LSTM. It relates to a prediction system and method.
페이스북(Facebook), 트위터(Twitter) 및 인스타그램(Instagram)과 같은 소셜 플랫폼은 자기 생각을 좀 더 간편하게 표현할 수 있으며, 많은 사람들이 엄청난 양의 데이터를 쏟아내고 있다. 따라서, 기업과 개인들은 소셜 플랫폼을 이용하여 의미있는 정보를 추출하거나 서비스의 비즈니스 모델을 창출하기도 한다.Social platforms like Facebook, Twitter and Instagram make it easier to express their thoughts, and many people are pouring out huge amounts of data. Therefore, companies and individuals use social platforms to extract meaningful information or create business models for services.
이외에 위치 기반 서비스는 소셜 네트워크 서비스(Social Network Service, SNS)와 연계하여 사용자가 메시지를 작성한 장소의 위치나 사용자가 추천하는 맛 집 혹은 장소 등을 지도 상의 POI(Point Of Interest)에 표시되도록 하는 서비스가 제공되고 있다.In addition, the location-based service is a service that links the social network service (SNS) and displays the location of the place where the user wrote the message or the restaurant or place recommended by the user on the POI (Point Of Interest) on the map. is being provided.
그러나 이러한 다양한 소셜 플랫폼은 국가 간 언어가 다르기 때문에 해당 국가에서만 통용되고, 다른 국가에서 관심사를 파악할 수 없다. 예를 들어, 트위터는 국가 간 언어의 차이로 인하여 한 국가의 트위터 사용자가 다른 나라의 트윗(Tweet)을 의미있는 정보로 인식하기 어려운 실정이다.However, since these various social platforms have different languages between countries, they are only used in that country, and interests in other countries cannot be identified. For example, in Twitter, it is difficult for a Twitter user in one country to recognize a Tweet from another country as meaningful information due to the language difference between countries.
이와 같은 문제점을 해결하기 위하여, 본 발명은 트윗 데이터의 국가 이름을 필터링하여 대상 국가에 해당 트윗 데이터를 각각 저장하고, 저장된 트윗 데이터를 키워드 분석하여 해당 국가의 선호도를 예측하는 LSTM을 이용한 국가별 선호도 예측 시스템 및 방법을 제공하는데 그 목적이 있다.In order to solve this problem, the present invention filters the country name of the tweet data, stores the corresponding tweet data in the target country, and analyzes the stored tweet data by keyword analysis to predict the preference of the country using the LSTM. It is an object to provide a prediction system and method.
상기 목적을 달성하기 위한 본 발명의 특징에 따른 국가별 선호도 예측 시스템은,Country preference prediction system according to the features of the present invention for achieving the above object,
국가별로 구성하여 해당 국가의 언어로 이루어진 트윗 데이터를 제공하는 하나 이상의 트위터 서비스 제공 서버;one or more Twitter service providing servers configured for each country and providing tweet data in the language of the country;
상기 각각의 트위터 서비스 제공 서버로부터 트윗 데이터를 트위터 스트리밍 API를 통해 수신하는 트위터 수집 서버;a Twitter collection server that receives tweet data from each of the Twitter service providing servers through a Twitter streaming API;
상기 트위터 수집 서버로부터 상기 수신한 트윗 데이터를 언어 분석으로 필터링하고, 상기 트윗 데이터에서 키워드로 특정 국가 이름을 필터링하는 언어 분석부;a language analysis unit for filtering the tweet data received from the Twitter collection server by language analysis, and filtering a specific country name with a keyword in the tweet data;
상기 필터링한 특정 국가 이름이 하나 이상이 존재하는 경우, 상기 필터링한 국가 이름에 속하는 해당 국가의 트위터 저장부에 상기 수신한 트윗 데이터를 각각 저장하도록 제어하는 제어부;a control unit controlling to store the received tweet data in a Twitter storage unit of a corresponding country belonging to the filtered country name when there is one or more of the filtered specific country names;
상기 각각의 트위터 저장부에 각각 연결되어 상기 트윗 데이터에서 키워드의 빈도수를 이용하여 상기 트윗 데이터의 특징 벡터를 생성하는 하나 이상의 트렌드 분석부; 및at least one trend analysis unit connected to each of the respective Twitter storage units to generate a feature vector of the tweet data by using the frequency of keywords in the tweet data; and
상기 각각의 트렌드 분석부에 각각 연결되고, 상기 각각의 트렌드 분석부로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM(Long-term Short-term Memory) 모델을 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력하며, 해당 국가의 선호도를 예측하는 하나 이상의 LSTM 모델링부를 포함하는 것을 특징으로 한다.It is connected to each of the trend analyzers and calculates the keyword frequency of tweet data using a feature vector received from each trend analyzer and a long-term short-term memory (LSTM) model generated in advance through pre-learning. It is characterized in that it outputs a keyword data flow according to time based on the time, and includes one or more LSTM modeling units for predicting the preference of a corresponding country.
본 발명의 특징에 따른 국가별 선호도 예측 시스템은,Preference prediction system for each country according to the features of the present invention,
국가별로 구성하여 해당 국가의 언어로 이루어진 트윗 데이터를 제공하는 하나 이상의 트위터 서비스 제공 서버;one or more Twitter service providing servers configured for each country and providing tweet data in the language of the country;
상기 각각의 트위터 서비스 제공 서버로부터 트윗 데이터를 트위터 스트리밍 API를 통해 수신하여 국가별 카테고리로 저장하는 트위터 수집 서버;a Twitter collection server for receiving tweet data from each of the Twitter service providing servers through a Twitter streaming API and storing the tweet data by country category;
상기 트위터 수집 서버로부터 트윗 데이터를 수신하고, 상기 수신한 트윗 데이터를 분석하여 GPS(Global Positioning System) 정보, 키워드 정보를 포함한 트윗 분석 정보를 추출하는 트위터 수집부;a Twitter collecting unit receiving tweet data from the Twitter collecting server, analyzing the received tweet data, and extracting tweet analysis information including GPS (Global Positioning System) information and keyword information;
상기 트위터 수집부로부터 상기 추출한 트윗 분석 정보에서 언어 분석을 통하여 상기 트윗 데이터의 발신지 국가를 판단하는 언어 분석부;a language analysis unit for determining a country of origin of the tweet data through language analysis in the tweet analysis information extracted from the Twitter collection unit;
상기 발신지 국가에 속하는 트위터 저장부에 상기 수신한 트윗 데이터를 각각 저장하도록 제어하는 제어부;a control unit controlling to store the received tweet data in a Twitter storage unit belonging to the source country, respectively;
상기 각각의 트위터 저장부에 각각 연결되어 상기 트윗 데이터에서 키워드의 빈도수를 이용하여 상기 트윗 데이터의 특징 벡터를 생성하는 하나 이상의 트렌드 분석부; 및at least one trend analysis unit connected to each of the respective Twitter storage units to generate a feature vector of the tweet data by using the frequency of keywords in the tweet data; and
상기 각각의 트렌드 분석부에 각각 연결되어 상기 각각의 트렌드 분석부로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM(Long-term Short-term Memory) 모델을 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력하는 하나 이상의 LSTM 모델링부를 포함하는 것을 특징으로 한다.Based on the keyword frequency of tweet data using a feature vector connected to each trend analysis unit and received from each trend analysis unit and a Long-term Short-term Memory (LSTM) model generated in advance through pre-learning and one or more LSTM modeling units for outputting keyword data flows according to raw time.
본 발명의 특징에 따른 국가별 선호도 예측 방법은,The preference prediction method for each country according to the characteristics of the present invention,
국가별로 구성된 트위터 서비스 제공 서버는 해당 국가의 언어로 이루어진 트윗 데이터를 제공하는 단계;The Twitter service providing server configured for each country provides tweet data in the language of the country;
상기 각각의 트위터 서비스 제공 서버로부터 트윗 데이터를 트위터 스트리밍 API를 통해 수신하는 단계;receiving tweet data from each of the Twitter service providing servers through a Twitter streaming API;
상기 수신한 트윗 데이터를 언어 분석으로 필터링하고, 상기 트윗 데이터에서 키워드로 특정 국가 이름을 필터링하는 단계;filtering the received tweet data by language analysis, and filtering a specific country name with a keyword in the tweet data;
상기 필터링한 특정 국가 이름이 하나 이상이 존재하는 경우, 상기 필터링한 국가 이름에 속하는 해당 국가의 트위터 저장부에 상기 수신한 트윗 데이터를 각각 저장하는 단계;storing the received tweet data in a Twitter storage unit of a corresponding country belonging to the filtered country name when there is one or more of the filtered specific country names;
상기 각각의 트위터 저장부에 각각 연결된 트렌드 분석부는 상기 트윗 데이터에서 키워드의 빈도수를 이용하여 상기 트윗 데이터의 특징 벡터를 생성하는 단계; 및generating a feature vector of the tweet data by a trend analyzer connected to each of the Twitter storage units using the frequency of keywords in the tweet data; and
상기 각각의 트렌드 분석부에 각각 연결된 LSTM 모델링부는 상기 각각의 트렌드 분석부로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM(Long-term Short-term Memory) 모델을 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력하며, 해당 국가의 선호도를 예측하는 단계를 포함하는 것을 특징으로 한다.Each of the LSTM modeling units connected to the respective trend analyzers uses the feature vectors received from the respective trend analyzers and the LSTM (Long-term Short-term Memory) model generated in advance through pre-learning to find the keyword frequency of tweet data. Outputting a keyword data flow over time based on the , and predicting the preference of the country.
전술한 구성에 의하여, 본 발명은 트윗 데이터를 이용하여 국가별 선호도를 예측할 수 있어 다른 국가에서 관심사를 파악하며, 이를 기초로 글로벌 비지니스 플랫폼을 구축할 수 있는 효과가 있다.According to the above configuration, the present invention can predict the preference of each country using the tweet data, so that interests in other countries can be identified, and a global business platform can be built based on this.
도 1은 본 발명의 제1 실시예에 따른 LSTM(Long Term Short Term Memory)을 이용한 국가별 선호도 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 제2 실시예에 따른 트렌드 분석부와 LSTM 모델링부의 내부 구성을 간략하게 나타낸 도면이다.
도 3은 본 발명의 제2 실시예에 따른 소스 언어를 필터링하여 국가 이름이 존재하는 경우 해당 국가에 트윗 데이터를 저장하는 모습을 나타낸 도면이다.
도 4는 본 발명의 제2 실시예에 따른 국가별 선호도 예측 방법의 일례를 나타낸 도면이다.1 is a diagram showing the configuration of a preference prediction system for each country using a Long Term Short Term Memory (LSTM) according to a first embodiment of the present invention.
2 is a diagram schematically illustrating internal configurations of a trend analysis unit and an LSTM modeling unit according to a second embodiment of the present invention.
3 is a diagram illustrating a state in which tweet data is stored in a country when a country name exists by filtering the source language according to the second embodiment of the present invention.
4 is a diagram illustrating an example of a method for predicting preference for each country according to a second embodiment of the present invention.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.
도 1은 본 발명의 제1 실시예에 따른 LSTM(Long Term Short Term Memory)을 이용한 국가별 선호도 예측 시스템의 구성을 나타낸 도면이고, 도 2는 본 발명의 제2 실시예에 따른 트렌드 분석부와 LSTM 모델링부의 내부 구성을 간략하게 나타낸 도면이다.1 is a diagram showing the configuration of a preference prediction system for each country using LSTM (Long Term Short Term Memory) according to a first embodiment of the present invention, and FIG. 2 is a trend analysis unit according to a second embodiment of the present invention; It is a diagram briefly showing the internal configuration of the LSTM modeling unit.
본 발명의 실시예에 따른 LSTM을 이용한 국가별 선호도 예측 시스템은 하나 이상의 트위터 서비스 제공 서버(10a, 10b, 10c), 트위터 수집 서버(30) 및 선호도 예측 장치(100)를 포함한다.The system for predicting country preference using LSTM according to an embodiment of the present invention includes one or more Twitter
트위터 서비스 제공 서버(10)는 제1 트위터 서비스 제공 서버(10a), 제2 트위터 서비스 제공 서버(10b), 제3 트위터 서비스 제공 서버(10c) 등 국가별로 구성하여 해당 국가의 언어로 이루어진 트윗 데이터를 제공하는 서버이다.The Twitter
트위터 수집 서버(30)는 네트워크(20)를 통해 국가별 각각의 트위터 서비스 제공 서버(10)로부터 트윗 데이터를 트위터 스트리밍 API(Application Programming Interface)를 통해 수신하여 국가별 카테고리로 저장한다.The Twitter
본 발명의 실시예의 선호도 예측 장치(100)는 트위터 수집부(110), 언어 분석부(120), 제어부(130), 복수의 트위터 저장부(140), 복수의 트렌드 분석부(150) 및 복수의 LSTM 모델링부(160)를 포함한다.The
트위터 수집부(110)는 트위터 수집 서버(30)로부터 트윗 데이터를 수신하고, 수신한 트윗 데이터를 분석하여 GPS(Global Positioning System) 정보, 키워드 정보를 트윗 분석 정보를 추출하며, 추출한 트윗 분석 정보를 언어 분석부(120)로 전송한다. 트위터는 사용자가 트윗(Tweet)이라는 메시지를 트위터에 게시한다.The Twitter
언어 분석부(120)는 트윗 분석 정보의 키워드 정보에서 형태소 분석, 개체명 인식 등의 언어 분석을 수행한다.The
제어부(130)는 언어 분석부(120)로부터 언어 분석 정보와 GPS 정보를 기초로 트윗 데이터의 발신지 국가를 판단하며, 트윗 데이터를 발신지 국가에 해당하는 트위터 저장부에 저장한다.The
여기서, 트위터 저장부(140)는 트윗 데이터의 발신지 국가별로 제1 트위터 저장부(140a), 제2 트위터 저장부(140b), 제3 트위터 저장부(140c) 등 각각 생성되어 있다.Here, the Twitter
각각의 트위터 저장부(140)는 키워드를 필터링하여 카테고리별 실시간 트렌드를 분석하는 트렌드 분석부(150)에 각각 연결되어 있다.Each of the Twitter
각각의 트렌드 분석부(150)는 제1 트위터 저장부(140a)에 연결된 제1 트렌드 분석부(150a), 제2 트위터 저장부(140b)에 연결된 제2 트렌드 분석부(150b), 제3 트위터 저장부(140c)에 연결된 제3 트렌드 분석부(150c) 등으로 이루어져 있다.Each
각각의 트렌드 분석부(150)는 전처리 모듈(152), 특징 추출모듈(154) 및 트렌드 생성모듈(156)을 포함한다.Each
전처리 모듈(152)은 분류 성능을 높이기 위해서 특징 추출에 용이하게 전처리 과정을 수행하는데, 자연어로 이루어진 단문인 트윗 데이터에서 이모티콘과 같은 무의미한 표현과 불용어, 외부로 연결되는 링크를 제거하는 토큰화를 수행한다.The
특징 추출모듈(154)은 트윗 데이터를 Twitter-LDA(Latent Dirichlet Allocation)을 이용하여 각각의 카테고리로 분류해주는 기능을 수행한다.The
특징 추출모듈(154)은 기설정된 분류 카테고리와 해당 분류 카테고리에 속하는 키워드 정보를 이용하여 트윗 데이터를 분류한다.The
여기서, 분류 카테고리와 키워드 정보는 100만개 이상의 트윗 데이터에서 가장 높은 상위 순위의 카테고리와 빈도수가 높은 단어를 중심으로 모델링을 위해서 사전 정의된다. 예를 들면, 카테고리는 Book, 키워드는 book, literature, storytelling, review, series, page 등, 카테고리는 Business, 키워드는 business, industry, market, job, marketing, customer, sale 등이다.Here, the classification category and keyword information are predefined for modeling focusing on the highest-ranking category and high-frequency words in the data of more than 1 million tweets. For example, the category is Book, the keyword is book, literature, storytelling, review, series, page, etc., the category is Business, and the keyword is business, industry, market, job, marketing, customer, sale, etc.
이러한 키워드는 Twitter-LDA를 이용하여 각각의 카테고리별 주제를 나타낸 확률이 높은 상위 100개 단어들을 카테고리별 특징 후보로 선정한다.For these keywords, the top 100 words with a high probability of representing the topic for each category are selected as feature candidates for each category using Twitter-LDA.
특징 추출모듈(154)은 분류된 트윗 데이터에서 키워드의 빈도수를 이용하여 트윗 데이터의 특징 벡터를 생성한다.The
특징 추출모듈(154)은 키워드의 빈도수를 이용하여 키워드가 자주 등장하는 단어들이 트윗 데이터 내에 포함되는지 여부를 판단하여 0과 1의 값을 가지는 이진 특징 벡터로 표현될 수 있다.The
트렌드 생성모듈(156)은 카테고리로 분류된 키워드들을 시간 대비 해당 키워드에 포함된 트윗 데이터의 개수를 포인트로 하여 디스플레이부(미도시)에 트위터 데이터 그래프로 시각화하여 표시한다.The
이때, 트위터 데이터 그래프는 시간을 X축, 분류된 트윗 데이터 개수를 각각의 카테고리별 Y값이 된다.In this case, in the Twitter data graph, time is the X-axis, and the number of classified tweet data is the Y value for each category.
트렌드 생성모듈(156)은 각각의 나라별로 여러 분야의 토픽들을 카테고리별로 분류하고, 핵심 키워드를 기초로 카테고리별 트렌드를 추출하여 실시간으로 시각화한다.The
각각의 트렌드 분석부(150)는 실시간 트윗 데이터를 분석하여 선호도를 분석하는 각각의 LSTM 모델링부(160)에 연결되어 있다.Each
각각의 LSTM 모델링부(160)는 제1 트렌드 분석부(150a)에 연결된 제1 LSTM 모델링부(160a), 제2 트렌드 분석부(150b)에 연결된 제2 LSTM 모델링부(160b), 제3 트렌드 분석부(150c)에 연결된 제3 LSTM 모델링부(160c) 등으로 이루어져 있다.Each
각각의 LSTM 모델링부(160)는 LSTM 처리부(162), RNN 처리부(164) 및 모델 생성부(166)를 포함한다.Each
LSTM 처리부(162)는 특징 추출모듈(154)에 연결되고, 특징 추출모듈(154)로부터 트윗 데이터의 특징 벡터를 수신한다.The
LSTM 처리부(162)는 특징 추출모듈(154)로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM 모델을 이용하여 트윗 데이터의 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력한다.The
다시 말해, LSTM 처리부(162)는 특징 추출모듈(154)로부터 수신한 특징 벡터를 LSTM 모델의 입력 파라미터로 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력한다.In other words, the
LSTM(Long-term Short-term Memory)은 시퀀스를 학습하기 위해 반복적인 신경망에서 널리 사용되는 딥 러닝 장치이다.Long-term short-term memory (LSTM) is a deep learning device widely used in iterative neural networks to learn sequences.
LSTM은 이전 프레임의 신호를 현재 프레임에 반영하여 시간적으로 연속하는 데이터를 처리하는 기법으로 메모리 셀(Memory Cell)에 이전의 정보들(예컨대, 트윗 데이터들)을 저장하고 게이트들(Gate)을 통하여 메모리 셀로 흐르는 정보의 양을 조절한다.LSTM is a technique for processing temporally continuous data by reflecting the signal of the previous frame to the current frame, and stores previous information (eg, tweet data) in a memory cell and passes through gates Controls the amount of information flowing into the memory cell.
LSTM 모델은 모델 생성부(166)에서 의해 생성될 수 있으며, GD(Gradient Descent)를 기반으로 하는 BPTT(Backpropagation Through Time)에 기초하여 LSTM 학습이 진행될 수 있다.The LSTM model may be generated by the
RNN 처리부(164)는 LSTM 처리부(162)에서 출력한 키워드 데이터 플로우와, 특징 추출모듈(154)로부터 수신한 특징 벡터를 RNN 모델을 이용하여 다시 한 번 학습하여 시간에 따른 키워드 데이터 플로우를 최종 출력한다.The
RNN(Recurrent Neural Networks)은 인공신경망의 일종으로 은닉 계층의 유닛들이 방향성 사이클을 포함하는 구조를 가진다. 이러한 구조는 인공신경망으로 하여금 은닉 계층에 저장되어 있는 과거의 정보들을 현재의 입력값과 결합하여 사용할 수 있게 함으로써 입력값 시퀀스에 대해 시퀀스 내부 유닛 간의 상호적인 정보를 어느 정도로 유지시킨 은닉 변수 시퀀스로 비선형 변환을 시킬 수 있다.Recurrent Neural Networks (RNNs) are a kind of artificial neural network, and have a structure in which units of the hidden layer include directional cycles. This structure allows the artificial neural network to use the past information stored in the hidden layer by combining it with the current input value, so that it is a hidden variable sequence that maintains mutual information between units within the sequence with respect to the input value sequence to a certain extent. can be converted.
모델 생성부(166)는 특징 추출모듈(154)로부터 수신한 특징 벡터를 대상으로 LSTM 학습을 수행하고, LSTM 학습이 완료된 LSTM 모델을 생성할 수 있으며, LSTM 모델에서 출력된 트윗 데이터의 키워드 빈도수와, 특징 추출모듈(154)로부터 수신한 특징 벡터를 입력 파라미터로 하여 RNN 학습을 수행하고, RNN 학습이 완료된 RNN 모델을 생성할 수 있다.The
각각의 LSTM 모델링부(160)는 LSTM 모델을 이용하여 트윗 데이터의 키워드 선호도를 예측할 수 있다.Each
제어부(130)는 이미 알려진 국가의 위치 정보와 국가 간 거리 정보를 이용하여 기설정된 거리 내의 인접 국가에 속하는 각각의 LSTM 모델링부(160)의 트윗 데이터의 키워드 선호도를 비교하여 카테고리별 키워드 선호도를 예측할 수 있다.The
인접 국가는 문화적, 사회적 교류가 활발하므로 트윗 데이터의 키워드 선호도가 유사할 확률이 많다. 그 이유는 인접 국가 간에 한쪽 국가에서 유행한 문화가 다른 쪽 국가로 유입되는 경우가 많기 때문이다.Since neighboring countries have active cultural and social exchanges, there is a high probability that keyword preferences in tweet data are similar. The reason is that, among neighboring countries, the culture that is prevalent in one country often flows into the other country.
도 3은 본 발명의 제2 실시예에 따른 소스 언어를 필터링하여 국가 이름이 존재하는 경우 해당 국가에 트윗 데이터를 저장하는 모습을 나타낸 도면이고, 도 4는 본 발명의 제2 실시예에 따른 국가별 선호도 예측 방법의 일례를 나타낸 도면이다.3 is a diagram illustrating a state in which tweet data is stored in a corresponding country when a country name exists by filtering the source language according to the second embodiment of the present invention, and FIG. 4 is a country according to the second embodiment of the present invention. It is a diagram showing an example of a method for predicting star preference.
제2 실시예는 제1 실시예의 국가별 선호도 예측 시스템을 동일하게 구성하여 국가별 선호도 예측을 수행할 수 있다.In the second embodiment, preference prediction for each country may be performed by configuring the preference prediction system for each country of the first embodiment in the same way.
하나 이상의 트위터 서비스 제공 서버(10)는 국가별로 구성하여 해당 국가의 언어로 이루어진 트윗 데이터를 제공한다.One or more Twitter
트위터 수집 서버(30)는 각각의 트위터 서비스 제공 서버(10)로부터 트윗 데이터를 트위터 스트리밍 API를 통해 수신한다.The
언어 분석부(120)는 트위터 수집 서버(30)로부터 수신한 트윗 데이터를 언어 분석으로 필터링하고, 트윗 데이터에서 키워드로 특정 국가 이름을 필터링한다.The
도 3에 도시된 바와 같이, 제어부(130)는 필터링한 특정 국가 이름이 하나 이상이 존재하는 경우, 필터링한 국가 이름에 속하는 해당 국가의 트위터 저장부(140)에 수신한 트윗 데이터를 각각 저장하도록 제어한다.As shown in FIG. 3 , when one or more filtered specific country names exist, the
하나 이상의 트렌드 분석부(150)는 각각의 트위터 저장부(140)에 각각 연결되어 트윗 데이터에서 키워드의 빈도수를 이용하여 트윗 데이터의 특징 벡터를 생성한다.One or
하나 이상의 LSTM 모델링부(160)는 각각의 트렌드 분석부(150)에 각각 연결되고, 각각의 트렌드 분석부(150)로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM(Long-term Short-term Memory) 모델을 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력하며, 해당 국가의 선호도를 예측할 수 있다.One or more
각각의 LSTM 모델링부(160)는 LSTM 모델을 이용하여 기설정된 시간동안 카운트되는 국가의 개수를 예측할 수도 있다.Each
이상에서 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.In the above, the embodiment of the present invention is not implemented only through an apparatus and/or method, and may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention, a recording medium in which the program is recorded, etc. And, such an implementation can be easily implemented by an expert in the technical field to which the present invention belongs from the description of the above-described embodiment.
이상에서 본 발명의 실시예에 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.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improved forms of the present invention are also provided by those skilled in the art using the basic concept of the present invention as defined in the following claims. is within the scope of the right.
10: 트위터 서비스 제공 서버
20: 네트워크
30: 트위터 수집 서버
100: 선호도 예측 장치
110: 트위터 수집부
120: 언어 분석부
130: 제어부
140: 트위터 저장부
150: 트렌드 분석부
160: LSTM 모델링부10: Twitter service providing server
20: network
30: Twitter aggregation server
100: preference prediction device
110: twitter collection unit
120: language analysis unit
130: control unit
140: Twitter storage
150: trend analysis unit
160: LSTM modeling unit
Claims (5)
상기 각각의 트위터 서비스 제공 서버로부터 트윗 데이터를 트위터 스트리밍 API를 통해 수신하여 국가별 카테고리로 저장하는 트위터 수집 서버;
상기 트위터 수집 서버로부터 트윗 데이터를 수신하고, 상기 수신한 트윗 데이터를 분석하여 GPS(Global Positioning System) 정보, 키워드 정보를 포함한 트윗 분석 정보를 추출하는 트위터 수집부;
상기 트위터 수집부로부터 상기 추출한 트윗 분석 정보에서 언어 분석을 수행하는 언어 분석부;
상기 언어 분석부로부터 언어 분석과 상기 GPS 정보를 기초로 상기 트윗 데이터의 발신지 국가를 판단하며, 상기 트윗 데이터를 발신지 국가에 해당하는 트위터 저장부에 각각 저장하도록 제어하는 제어부;
상기 각각의 트위터 저장부에 각각 연결되고, 일정 개수 이상의 트윗 데이터에서 상위 순위의 카테고리와 빈도수가 있는 단어를 중심으로 모델링을 위해서 사전 정의된 분류 카테고리와 키워드 정보를 이용하여 상기 트윗 데이터를 분류하고, 상기 트윗 데이터에서 키워드의 빈도수를 이용하여 상기 트윗 데이터의 특징 벡터를 생성하는 하나 이상의 트렌드 분석부; 및
상기 하나 이상의 트렌드 분석부로부터 수신한 특징 벡터와 사전 학습을 통해 미리 생성된 LSTM(Long-term Short-term Memory) 모델을 이용하여 트윗 데이터의 키워드 빈도수를 기초로 시간에 따른 키워드 데이터 플로우를 출력하는 하나 이상의 LSTM 모델링부를 포함하는 것을 특징으로 하는 국가별 선호도 예측 시스템.one or more Twitter service providing servers configured for each country and providing tweet data in the language of the country;
a Twitter collection server for receiving tweet data from each of the Twitter service providing servers through a Twitter streaming API and storing the tweet data by country category;
a Twitter collecting unit receiving tweet data from the Twitter collecting server, analyzing the received tweet data, and extracting tweet analysis information including GPS (Global Positioning System) information and keyword information;
a language analysis unit for performing language analysis on the tweet analysis information extracted from the Twitter collection unit;
a control unit that determines a source country of the tweet data based on the language analysis and the GPS information from the language analysis unit, and controls to store the tweet data in a Twitter storage unit corresponding to the source country;
Classifying the tweet data using predefined classification categories and keyword information for modeling, each of which is connected to each of the Twitter storage units and is based on a word having a higher ranking category and frequency in a predetermined number or more of tweet data, at least one trend analyzer for generating a feature vector of the tweet data by using the frequency of keywords in the tweet data; and
Outputting a keyword data flow over time based on the keyword frequency of tweet data using the feature vector received from the one or more trend analyzers and a long-term short-term memory (LSTM) model generated in advance through pre-learning Country preference prediction system comprising one or more LSTM modeling units.
상기 각각의 LSTM 모델링부는 상기 LSTM 모델을 이용하여 기설정된 시간동안 카운트되는 국가의 개수를 예측하는 것을 특징으로 하는 국가별 선호도 예측 시스템.According to claim 1,
Each LSTM modeling unit predicts the number of countries counted for a preset time by using the LSTM model.
상기 키워드는 Twitter-LDA(Latent Dirichlet Allocation)를 이용하여 각각의 카테고리별 주제를 나타낸 확률이 높은 상위 100개 단어들을 카테고리별 특징 후보로 선정하는 것을 특징으로 하는 국가별 선호도 예측 시스템.According to claim 1,
The keyword is a preference prediction system for each country, characterized in that by using Twitter-LDA (Latent Dirichlet Allocation), the top 100 words with a high probability of representing the topic for each category are selected as feature candidates for each category.
상기 하나 이상의 LSTM 모델링부는 상기 출력한 키워드 데이터 플로우와, 상기 트렌드 분석부로부터 수신한 특징 벡터를 RNN(Recurrent Neural Networks) 모델을 이용하여 다시 한 번 학습하여 시간에 따른 키워드 데이터 플로우를 최종 출력하는 RNN 처리부를 더 포함하는 것을 특징으로 하는 국가별 선호도 예측 시스템.According to claim 1,
The at least one LSTM modeling unit learns the output keyword data flow and the feature vector received from the trend analysis unit once again using a Recurrent Neural Networks (RNN) model to finally output the keyword data flow according to time. Country preference prediction system, characterized in that it further comprises a processing unit.
상기 제어부는 이미 알려진 국가의 위치 정보와 국가 간 거리 정보를 이용하여 기설정된 거리 내의 인접 국가에 속하는 각각의 LSTM 모델링부의 트윗 데이터의 키워드 선호도를 비교하여 카테고리별 키워드 선호도를 예측하는 것을 특징으로 하는 국가별 선호도 예측 시스템.According to claim 1,
The control unit predicts keyword preference for each category by comparing keyword preference of tweet data of each LSTM modeling unit belonging to neighboring countries within a preset distance using location information of already known countries and distance information between countries. Star preference prediction system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190146317A KR102282328B1 (en) | 2019-11-15 | 2019-11-15 | System and Method for Predicting Preference National Using Long Term Short Term Memory |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190146317A KR102282328B1 (en) | 2019-11-15 | 2019-11-15 | System and Method for Predicting Preference National Using Long Term Short Term Memory |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210059196A KR20210059196A (en) | 2021-05-25 |
| KR102282328B1 true KR102282328B1 (en) | 2021-07-28 |
Family
ID=76145603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190146317A KR102282328B1 (en) | 2019-11-15 | 2019-11-15 | System and Method for Predicting Preference National Using Long Term Short Term Memory |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102282328B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102585040B1 (en) | 2023-04-05 | 2023-10-11 | 뉴브로드테크놀러지(주) | Disaster area object detection system |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101387859B1 (en) * | 2013-08-07 | 2014-04-22 | 주식회사 캘커타커뮤니케이션 | System for Providing Utilization Trend Information of Application |
| KR20150067897A (en) * | 2013-12-10 | 2015-06-19 | 한국전자통신연구원 | Apparutus and method for predicting popularity of social data |
| KR20150119981A (en) | 2014-04-15 | 2015-10-27 | 주식회사 코아비즈 | Service server and service method providing poi information |
| US10348658B2 (en) * | 2017-06-15 | 2019-07-09 | Google Llc | Suggested items for use with embedded applications in chat conversations |
-
2019
- 2019-11-15 KR KR1020190146317A patent/KR102282328B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210059196A (en) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10719665B2 (en) | Unsupervised neural based hybrid model for sentiment analysis of web/mobile application using public data sources | |
| Salminen et al. | Creating and detecting fake reviews of online products | |
| De Winter et al. | Combining temporal aspects of dynamic networks with node2vec for a more efficient dynamic link prediction | |
| US20180025121A1 (en) | Systems and methods for finer-grained medical entity extraction | |
| US10657544B2 (en) | Targeted E-commerce business strategies based on affiliation networks derived from predictive cognitive traits | |
| US20170193533A1 (en) | Automatic detection of user personality traits based on social media image posts | |
| US11182447B2 (en) | Customized display of emotionally filtered social media content | |
| CN111581966A (en) | Context feature fusion aspect level emotion classification method and device | |
| Steven et al. | The right sentiment analysis method of Indonesian tourism in social media Twitter | |
| Alkalbani et al. | Analysing cloud services reviews using opining mining | |
| KR102282328B1 (en) | System and Method for Predicting Preference National Using Long Term Short Term Memory | |
| CN112464106B (en) | Object recommendation method and device | |
| US20220147547A1 (en) | Analogy based recognition | |
| Georgakopoulos et al. | Convolutional neural networks for twitter text toxicity analysis | |
| CN113051911A (en) | Method, apparatus, device, medium, and program product for extracting sensitive word | |
| Elgohary et al. | Smart evaluation for deep learning model: churn prediction as a product case study | |
| Zhang et al. | Image tweet popularity prediction with convolutional neural network | |
| Zhu et al. | MMLUP: Multi-Source & Multi-Task Learning for User Profiles in Social Network. | |
| Saranya Shree et al. | Prediction of fake Instagram profiles using machine learning | |
| Ali et al. | Big social data as a service (BSDaaS): a service composition framework for social media analysis | |
| BURLĂCIOIU et al. | TEXT MINING IN BUSINESS. A STUDY OF ROMANIAN CLIENT’S PERCEPTION WITH RESPECT TO USING TELECOMMUNICATION AND ENERGY APPS. | |
| Siddiqui et al. | An ensemble approach for the identification and classification of crime tweets in the English language | |
| Preisendorfer et al. | Social media Emoji analysis, correlations and trust modeling | |
| Sindhu et al. | Aspect based opinion mining leveraging weighted bigru and CNN module in parallel | |
| Naufal et al. | Sentiment Analysis of Student Satisfaction on Telkom University Language Center (LaC) Services on Instagram Using the RNN Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |