| 1 |
1
교량점검보고서로부터 텍스트 데이터를 추출하는 단계;상기 추출된 텍스트 데이터를 문장 단위로 분절하는 단계;상기 분절된 문장을 이용하여 단어 토큰화를 진행하는 단계;상기 단어 토큰화에 의해 생성된 토큰을 단어 벡터로 변환하는 단계;상기 변환된 단어 벡터에 의해 교량손상 메커니즘 요소를 추출하여 각 단어에 대한 문장 내 카테고리를 결정하는 단계;상기 문장 내 카테고리가 결정된 단어들에 의해 학습 데이터를 구축하는 단계;상기 학습 데이터로부터 예측 성능이 낮은 것으로 판단되는 단어를 추출하는 단계;상기 추출된 단어를 사용자에게 제공하여 사용자 지정 카테고리를 입력받는 단계; 및상기 입력받은 사용자 지정 카테고리를 이용하여 상기 학습 데이터를 업데이트하는 단계;를 포함하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 2 |
2
제 1 항에 있어서,상기 문장 단위로 분절하는 단계는,마침표를 기준으로 문장을 분절하는 단계; 및상기 분절된 문장 중 하나의 문장에 포함된 문자수가 기설정된 기준문장길이를 초과하는 경우에만 유효한 문장으로 결정하는 단계;를 포함하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 3 |
3
제 1 항에 있어서,상기 단어 토큰화를 진행하는 단계는, L-Tokenizer를 이용하여 상기 문장을 토크나이징하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 4 |
4
제 1 항에 있어서,상기 단어 벡터로 변환하는 단계는, Word2Vec 모델의 Skip-gram 방식을 적용하여 단어 벡터를 학습하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 5 |
5
제 1 항에 있어서,상기 문장 내 카테고리를 결정하는 단계는, 양방향 장단기 메모리(Bidirectional Long Short-Term Memory) 네트워크 방식을 기반으로 설계된 NER(Named Entity Recognition) 모델을 적용하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 6 |
6
제 5 항에 있어서,상기 양방향 장단기 메모리는 상기 문장 내의 단어 개수만큼 동작하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 방법
|
| 7 |
7
교량점검보고서로부터 텍스트 데이터를 추출하는 텍스트 추출부;상기 추출된 텍스트 데이터를 문장 단위로 분절하는 문장 분절부;상기 분절된 문장을 이용하여 단어 토큰화를 진행하는 토큰화부;상기 단어 토큰화에 의해 생성된 토큰을 단어 벡터로 변환하는 벡터 변환부;상기 변환된 단어 벡터에 의해 교량손상 메커니즘 요소를 추출하여 각 단어에 대한 문장 내 카테고리를 결정하는 카테고리 결정부;상기 문장 내 카테고리가 결정된 단어들에 의해 학습 데이터를 구축하는 데이터 구축부;상기 구축된 학습 데이터로부터 예측 성능이 낮은 것으로 판단되는 단어를 추출하는 단어 추출부;상기 추출된 단어를 사용자에게 제공하여 사용자 지정 카테고리를 입력받는 사용자 인터페이스부; 및상기 데이터 구축부가 상기 입력받은 사용자 지정 카테고리를 이용하여 상기 학습 데이터를 업데이트하도록 제어하는 제어부;를 포함하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 8 |
8
제 7 항에 있어서,상기 문장 분절부는, 마침표를 기준으로 문장을 분절하고, 상기 분절된 문장 중 하나의 문장에 포함된 문자수가 기설정된 기준문장길이를 초과하는 경우에만 유효한 문장으로 결정하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 9 |
9
제 7 항에 있어서,상기 토큰화부는, L-Tokenizer를 이용하여 상기 문장을 토크나이징하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 10 |
10
제 7 항에 있어서,상기 벡터 변환부는, Word2Vec 모델의 Skip-gram 방식을 적용하여 단어 벡터를 학습하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 11 |
11
제 7 항에 있어서,상기 카테고리 결정부는, 양방향 장단기 메모리(Bidirectional Long Short-Term Memory) 네트워크 방식을 기반으로 설계된 NER(Named Entity Recognition) 모델을 적용하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 12 |
12
제 11 항에 있어서,상기 카테고리 결정부는, 상기 문장 내의 단어와 일대일 대응하게 각각의 단어 벡터를 입력받고, 상기 입력받은 단어 벡터에 해당하는 카테고리를 출력하는 복수의 LSTM 모듈을 포함하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 13 |
13
제 12 항에 있어서,상기 복수의 LSTM 모듈 각각은,이전 단어에 해당하는 LSTM 모듈로부터 출력되는 맥락 정보, 및 의미벡터를 더 입력받아 자신에 해당하는 단어의 맥락 정보 및 의미벡터를 결정하여 다음 단어에 해당하는 LSTM 모듈로 전달하는 정방향 LSTM 모듈;상기 다음 단어에 해당하는 LSTM 모듈로부터 출력되는 맥락 정보, 및 의미벡터를 더 입력받아 자신에 해당하는 단어의 맥락 정보 및 의미벡터를 결정하여 상기 이전 단어에 해당하는 LSTM 모듈로 전달하는 역방향 LSTM 모듈; 및상기 정방향 LSTM 모듈 및 상기 역방향 LSTM 모듈의 출력값을 이용하여 카테고리를 결정하는 출력 모듈;을 포함하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치
|
| 14 |
14
제 13 항에 있어서,상기 출력 모듈은, 하기의 수식에 의해 상기 카테고리 값을 산출하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치:여기서, 는 상기 카테고리 값, 는 상기 정방향 LSTM 모듈의 출력값, 는 상기 역방향 LSTM 모듈의 출력값이다
|
| 15 |
15
제 14 항에 있어서,상기 복수의 LSTM 모듈 각각은,하기의 수식에 의해 상기 카테고리 값을 산출하는 것을 특징으로 하는 교량점검보고서의 손상 메커니즘 추출 장치:여기서, 는 단어 벡터, 는 이전 단어의 의미 벡터()에서 소실되어도 무방한 정보, 는 단어의 사용 맥락이 반영된 단어의 의미 벡터, 는 이전 단어의 의미 벡터()에서 보존되어야 하는 정보, 는 현재 단어의 의미 벡터()에 포함 혹은 제외되어야 하는 맥락 정보, 는 이전 단어와 현재 단어의 의미를 결합한 맥락 정보, 및 는 망각 게이트(Forget Gate)에 설정된 신경망 가중치, 및 는 입력 게이트(Input Gate)에 설정된 신경망 가중치, 및 는 셀 스테이트(Cell State)에 설정된 신경망 가중치, 및 는 출력 게이트(Output Gate)에 설정된 신경망 가중치이다
|
