- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
오픈 액세스 운동은 출판된 과학적 연구결과물을 비용 없이 누구나가 인터넷을 통해 이용 가능해야 한다는 원칙을 지지하는 운동이다. 오픈 액세스라는 용어는 이 운동의 폭넓은 의미로 사용되고 있으며, BOAI에서는 이 목표를 달성하기 위해 ‘셀프 아카이빙’과 ‘오픈 액세스 저널’ 두 가지의 전략을 제시하고 있다. 본 연구에서는 최근 논의되고 있는 다양한 오픈 액세스 운동들의 개요와 수행전략 등을 소개하고, 사서, 대학, 출판사, 기금단체, 학회, 정부)들의 역할과 대응전략을 BOAI에서 제시하고 있는 두 전략의 관점에서 분석하고 있다.
Abstract
Open access movement supports the principle that the published output of scientific research should be available to everyone without charge. The term open access is used in the broad context of the wider movement. To achieve the objectives of open access to scholarly journal literature, BOAI (Budapest Open Access Initiative) recommends using two complementary strategies: ‘self-archiving’ in institutional/disciplinary repositories and ‘open access journals.’ This study introduces the strategies of open access movements and analyzes the ways to help the cause of open access by academic stakeholders (i.e., researchers, librarians, universities, publishers, foundations, learned societies, and government) from the perspective of two BOAI strategies.
초록
이 논문의 목적은 SVM(지지벡터기계) 분류기의 성능을 문헌간 유사도를 이용해서 향상시키는 것이다. 는 문헌 벡터 자질 표현에 기반한 SVM 문헌자동분류를 제안하였다. 제안한 방식은 분류 자질로 색인어 대신 문헌 벡터를, 자질값으로 가중치 대신 벡터유사도를 사용한다. 제안한 방식에 대한 실험 결과, SVM 분류기의 성능을 향상시킬 수 있었다. 실행 효율 향상을 위해서 문헌 벡터 자질 선정 방안과 범주 센트로이드 벡터를 사용하는 방안을 제안하였다. 실험 결과 소규모의 벡터 자질 집합만으로도 색인어 자질을 사용하는 기존 방식보다 나은 성능을 얻을 수 있었다.
Abstract
The purpose of this paper is to explore the ways to improve the performance of SVM(Support Vector Machines) text classifier using inter-document similarit ies. SVMs are powerful machine technique for automatic document classification. In this paper text categorization via SVMs aproach based on feature representation with document vectors is suggested. In this appr oach, document vectors instead stead of term weights are used as feature values. Experiments show that SVM clasifier with do cument vector features can improve the document classification performance. For the sake o f run-time efficiency, two methods are developed: One is to select document vector feature s, and the other is to use category centroid vector features instead. Experiments on these two methods show that we the performance of conventional methods with index term features.