1 |
1
소셜미디어에서의 사용자 관심사 모델링 방법에 있어서, 특징 벡터 생성부가 사용자의 메시지들로부터 각각의 특징 벡터를 생성하는 단계;유사도 산출부가 뉴스 범주별로 상기 각각의 특징 벡터간의 유사도를 계산하는 단계; 범주 생성부가 각 메시지 별로 범주 추출 및 통합하는 단계; 상기 범주 생성부에서 생성된 메시지별 범주에서 한계치 알고리즘을 이용하여 불필요한 범주를 제거하는 단계;사용자 관심 벡터 생성부가 사용자 관심사 벡터를 형성 및 모델링하는 단계를 포함하고,상기 특징 벡터 생성부가 사용자의 메시지들로부터 각각의 특징 벡터를 생성하는 단계는, 문장에서 각 단어와 가중치가 주어졌을 때 각 단어에 해당하는 위키피디아 문서 및 그 문서의 범주와 하위 범주를 이용하여 문장의 특징 벡터를 생성하는 과정을 포함하는 사용자 관심사 모델링 방법
|
2 |
2
삭제
|
3 |
3
제 1항에 있어서,상기 특징 벡터는 모든 위키피디아 범주에 대한 각 가중치 값으로 표현되는 사용자 관심사 모델링 방법
|
4 |
4
제 1항에 있어서,상기 문장에 약어가 쓰인 경우 위키피디아 리다이렉(redirect) 정보를 활용하여 그에 해당하는 문서를 추출하는 사용자 관심사 모델링 방법
|
5 |
5
제 1항에 있어서,상기 가중치는 주어진 단어 벡터에 대한 각 위키피디아 범주의 빈도값과, 그 위키피디아 범주를 어느 가중치 이상 포함하고 있는 뉴스 범주 개수의 역수값의 곱으로 표현되는 사용자 관심사 모델링 방법
|
6 |
6
제 1항에 있어서,상기 특징 벡터 생성부가 사용자의 메시지들로부터 각각의 특징 벡터를 생성하는 단계는,문장에서 각 단어와 가중치가 주어졌을 때 각 단어가 자주 나오는 위키피디아 문서를 활용하여 문장의 특징 벡터를 생성하는 과정을 포함하는 사용자 관심사 모델링 방법
|
7 |
7
제 6항에 있어서,상기 각 단어에 대한 관련 위키피디아 문서들을 얻기 위해 시맨틱 인터프리터(Semantic Interpreter) 기술을 적용하는 사용자 관심사 모델링 방법
|
8 |
8
제 6항에 있어서,상기 가중치는 주어진 단어 벡터에 대한 각 위키피디아 문서의 빈도수 값과, 그 위피키피다 문서를 어느 가중치 이상 포함하고 있는 뉴스 범주 개수의 역수값의 곱으로 표현되는 사용자 관심사 모델링 방법
|
9 |
9
제 1항에 있어서,상기 유사도 산출부가 뉴스 범주별로 상기 각각의 특징 벡터간의 유사도를 계산하는 단계는,각 뉴스 범주에 속한 상위 위키피디아 범주들을 클러스터링 기법을 통해 노이즈를 제거하고 뉴스 범주를 대표하는 클러스터를 찾아 가중치를 다르게 분배하는 과정을 포함하는 사용자 관심사 모델링 방법
|
10 |
10
제 9항에 있어서,상기 클러스터에 대한 위키피디아 범주 벡터와 뉴스 범주에 대한 위키피디아 범주 벡터간의 코사인 유사도를 통해 위키피디아 클러스터의 가중치를 계산하는 것을 특징으로 하는 사용자 관심사 모델링 방법
|