| 1 |
1
사용자로부터 이벤트 정보를 수신하는 단계;상기 이벤트 정보에 대해 전처리를 수행하고, 이벤트 키워드를 추출하는 단계;상기 이벤트 키워드 및 기 저장된 이벤트 저장 정보에 기초하여 토픽 모델링을 수행하여 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하는 단계; 및상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터의 비교를 통해 상기 이벤트 정보에 대한 분류를 수행하는 단계를 포함하는 이벤트 분류 방법
|
| 2 |
2
제1항에 있어서,상기 토픽 모델링은 LDA(Latent Dirichlet Allocation) 토픽 모델링인 이벤트 분류 방법
|
| 3 |
3
제1항에 있어서,상기 이벤트 정보는,텍스트 정보, 이미지 정보, 이벤트 시간 정보 및 이벤트 위치 정보를 포함하는 이벤트 분류 방법
|
| 4 |
4
제3항에 있어서,상기 이벤트 키워드를 추출하는 단계는, 기 학습된 신경망을 이용하여 상기 이미지 정보에 해당할 확률이 높은 복수 개의 이미지 키워드를 추출하는 단계; 및상기 텍스트 정보의 형태소 분석을 통해 상기 이벤트 정보의 텍스트 키워드를 추출하는 단계를 포함하고,상기 신경망은,참조 이미지 정보 및 참조 이미지 키워드가 입력되면, 상기 참조 이미지 정보에 대한 이미지 키워드가 출력되도록 학습된 이벤트 분류 방법
|
| 5 |
5
제1항에 있어서,상기 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하는 단계는,상기 토픽 모델링을 수행하여 상기 이벤트 저장 정보로부터 도출된 이벤트 저장 키워드 중 상기 이벤트 키워드와 유사도가 제1 값 이상인 키워드를 클러스터링하여 상기 전체 이벤트 클러스터를 생성하는 이벤트 분류 방법
|
| 6 |
6
제3항에 있어서,상기 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하는 단계는,클러스터링을 수행하여 상기 이벤트 저장 정보 중 상기 이벤트 시간 정보 및 상기 이벤트 공간 정보와의 유사도가 제1 값 이상인 후보 클러스터를 생성하는 단계; 및상기 토픽 모델링을 수행하여 상기 후보 클러스터로부터 도출된 이벤트 저장 키워드 중 상기 이벤트 키워드와 유사도가 제2 값 이상인 키워드를 클러스터링하여 상기 근접 이벤트 클러스터를 생성하는 단계를 포함하는 이벤트 분류 방법
|
| 7 |
7
제6항에 있어서,상기 클러스터링은 K-means 클러스터링인 이벤트 분류 방법
|
| 8 |
8
제1항에 있어서,상기 분류를 수행하는 단계는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터에 중복으로 포함된 이벤트 저장 정보가 존재할 경우, 상기 이벤트 정보는 중복 이벤트 정보인 것으로 분류하는 이벤트 분류 방법
|
| 9 |
9
제1항에 있어서,상기 분류를 수행하는 단계는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터 각각에 이벤트 저장 정보가 존재하지 않을 경우, 상기 이벤트 정보는 새로운 이벤트 정보인 것으로 분류하는 이벤트 분류 방법
|
| 10 |
10
제1항에 있어서,상기 분류를 수행하는 단계는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터 각각에 중복 없이 이벤트 저장 정보가 존재하거나, 상기 전체 이벤트 클러스터에 이벤트 저장 정보가 존재하고, 상기 근접 이벤트 클러스터에는 이벤트 저장 정보가 존재하지 않을 경우, 상기 이벤트 정보는 거짓 이벤트 정보인 것으로 분류하는 이벤트 분류 방법
|
| 11 |
11
이벤트 분류 장치에 있어서,사용자로부터 이벤트 정보를 수신하는 통신부; 및프로세서를 포함하고,상기 프로세서는,상기 이벤트 정보에 대해 전처리를 수행하고, 이벤트 키워드를 추출하고,상기 이벤트 키워드 및 기 저장된 이벤트 저장 정보에 기초하여 토픽 모델링을 수행하여 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하고,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터의 비교를 통해 상기 이벤트 정보에 대한 분류를 수행하는 이벤트 분류 장치
|
| 12 |
12
제11항에 있어서상기 토픽 모델링은 LDA(Latent Dirichlet Allocation) 토픽 모델링인 이벤트 분류 장치
|
| 13 |
13
제11항에 있어서,상기 이벤트 정보는,텍스트 정보, 이미지 정보, 이벤트 시간 정보 및 이벤트 위치 정보를 포함하는 이벤트 분류 장치
|
| 14 |
14
제13항에 있어서,상기 프로세서는,기 학습된 신경망을 이용하여 상기 이미지 정보에 해당할 확률이 높은 복수 개의 이미지 키워드를 상기 이벤트 키워드로 추출하고,상기 텍스트 정보의 형태소 분석을 통해 상기 이벤트 정보의 텍스트 키워드를 상기 이벤트 키워드로 추출하고,상기 신경망은,참조 이미지 정보 및 참조 이미지 키워드가 입력되면, 상기 참조 이미지 정보에 대한 이미지 키워드가 출력되도록 학습된 이벤트 분류 장치
|
| 15 |
15
제11항에 있어서,상기 프로세서는,상기 토픽 모델링을 수행하여 상기 이벤트 저장 정보로부터 도출된 이벤트 저장 키워드 중 상기 이벤트 키워드와 유사도가 제1 값 이상인 키워드를 클러스터링하여 상기 전체 이벤트 클러스터를 생성하는 이벤트 분류 장치
|
| 16 |
16
제13항에 있어서,상기 프로세서는,K-means 클러스터링을 수행하여 상기 이벤트 저장 정보 중 상기 이벤트 시간 정보 및 상기 이벤트 공간 정보와의 유사도가 제1 값 이상인 후보 클러스터를 생성하고,상기 토픽 모델링을 수행하여 상기 후보 클러스터로부터 도출된 이벤트 저장 키워드 중 상기 이벤트 키워드와 유사도가 제2 값 이상인 키워드를 클러스터링하여 상기 근접 이벤트 클러스터를 생성하는 이벤트 분류 장치
|
| 17 |
17
제11항에 있어서,상기 프로세서는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터에 중복으로 포함된 이벤트 저장 정보가 존재할 경우, 상기 이벤트 정보는 중복 이벤트 정보인 것으로 분류하는 이벤트 분류 장치
|
| 18 |
18
제11항에 있어서,상기 프로세서는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터 각각에 이벤트 저장 정보가 존재하지 않을 경우, 상기 이벤트 정보는 새로운 이벤트 정보인 것으로 분류하는 이벤트 분류 장치
|
| 19 |
19
제11항에 있어서,상기 프로세서는,상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터 각각에 중복 없이 이벤트 저장 정보가 존재할 경우 또는 상기 전체 이벤트 클러스터에 이벤트 저장 정보가 존재하고, 상기 근접 이벤트 클러스터에는 이벤트 저장 정보가 존재하지 않을 경우, 상기 이벤트 정보는 거짓 이벤트 정보인 것으로 분류하는 이벤트 분류 장치
|
| 20 |
20
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록 매체로서,상기 컴퓨터 프로그램은,사용자로부터 이벤트 정보를 수신하는 단계;상기 이벤트 정보에 대해 전처리를 수행하고, 이벤트 키워드를 추출하는 단계;상기 이벤트 키워드 및 기 저장된 이벤트 저장 정보에 기초하여 토픽 모델링을 수행하여 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하는 단계; 및상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터의 비교를 통해 상기 이벤트 정보에 대한 분류를 수행하는 단계를 포함하는 이벤트 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록 매체
|
| 21 |
21
컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,상기 컴퓨터 프로그램은,사용자로부터 이벤트 정보를 수신하는 단계;상기 이벤트 정보에 대해 전처리를 수행하고, 이벤트 키워드를 추출하는 단계;상기 이벤트 키워드 및 기 저장된 이벤트 저장 정보에 기초하여 토픽 모델링을 수행하여 전체 이벤트 클러스터 및 근접 이벤트 클러스터를 생성하는 단계; 및상기 전체 이벤트 클러스터 및 상기 근접 이벤트 클러스터의 비교를 통해 상기 이벤트 정보에 대한 분류를 수행하는 단계를 포함하는 이벤트 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램
|
