바로가기메뉴

본문 바로가기 주메뉴 바로가기

logo

  • P-ISSN1013-0799
  • E-ISSN2586-2073

문헌간 유사도를 이용한 자동분류에서 미분류 문헌의 활용에 관한 연구

Utilizing Unlabeled Documents in Automatic Classification with Inter-document Similarities

정보관리학회지, (P)1013-0799; (E)2586-2073
2007, v.24 no.1, pp.251-271
https://doi.org/10.3743/KOSIM.2007.24.1.251
김판준 (신라대학교)
이재윤 (경기대학교)

  • 다운로드 수
  • 조회수

초록

문헌간 유사도를 자질로 사용하는 분류기에서 미분류 문헌을 학습에 활용하여 분류 성능을 높이는 방안을 모색해보았다. 자동분류를 위해서 다량의 학습문헌을 수작업으로 확보하는 것은 많은 비용이 들기 때문에 미분류 문헌의 활용은 실용적인 면에서 중요하다. 미분류 문헌을 활용하는 준지도학습 알고리즘은 대부분 수작업으로 분류된 문헌을 학습데이터로 삼아서 미분류 문헌을 분류하는 첫 번째 단계와, 수작업으로 분류된 문헌과 자동으로 분류된 문헌을 모두 학습 데이터로 삼아서 분류기를 학습시키는 두 번째 단계로 구성된다. 이 논문에서는 문헌간 유사도 자질을 적용하는 상황을 고려하여 두 가지 준지도학습 알고리즘을 검토하였다. 이중에서 1단계 준지도학습 방식은 미분류 문헌을 문헌유사도 자질 생성에만 활용하므로 간단하며, 2단계 준지도학습 방식은 미분류 문헌을 문헌유사도 자질 생성과 함께 학습 예제로도 활용하는 알고리즘이다. 지지벡터기계와 나이브베이즈 분류기를 이용한 실험 결과, 두 가지 준지도학습 방식 모두 미분류 문헌을 활용하지 않는 지도학습 방식보다 높은 성능을 보이는 것으로 나타났다. 특히 실행효율을 고려한다면 제안된 1단계 준지도학습 방식이 미분류 문헌을 활용하여 분류 성능을 높일 수 있는 좋은 방안이라는 결론을 얻었다

Abstract

This paper studies the problem of classifying documents with labeled and unlabeled learning data, especially with regards to using document similarity features. The problem of using unlabeled data is practically important because in many information systems obtaining training labels is expensive, while large quantities of unlabeled documents are readily available. There are two steps in general semi-supervised learning algorithm. First, it trains a classifier using the available labeled documents, and classifies the unlabeled documents. Then, it trains a new classifier using all the training documents which were labeled either manually or automatically. We suggested two types of semi-supervised learning algorithm with regards to using document similarity features. The one is one step semi-supervised learning which is using unlabeled documents only to generate document similarity features. And the other is two step semi-supervised learning which is using unlabeled documents as learning examples as well as similarity features. Experimental results, obtained using support vector machines and naive Bayes classifier, show that we can get improved performance with small labeled and large unlabeled documents then the performance of supervised learning which uses labeled-only data. When considering the efficiency of a classifier system, the one step semi-supervised learning algorithm which is suggested in this study could be a good solution for improving classification performance with unlabeled documents.

참고문헌

1

(2000). 한국어 테스트 컬렉션 HANTEC의 확장 및 보완. , 210-215.

2

김판준. (2006). 기계학습을 통한 디스크립터 자동부여에 관한 연구. 정보관리학회지, 23(1), 279-299.

3

이재윤. (2005). 문헌간 유사도를 이용한 SVM 분류기의 문헌분류성능 향상에 관한 연구. 정보관리학회지, 22(3), 261-287.

4

이재윤. (2005). 자질 선정 기준과 가중치 할당 방식간의 관계를 고려한 문서 자동분류의 개선에 대한 연구. 한국문헌정보학회지, 39(2), 123-146.

5

(2005). 정보검색연구. , -.

6

(2002). Semi-supervised clustering by seeding. , 19-26.

7

(2004). A probabilistic framework for semi-supervised clustering. , 59-68.

8

(1998). A semi supervised support vector machines. , 368-374.

9

(1998). Combining labeled and unlabeled data with co-training. , 92-100.

10

(2002). Exploiting relations among concepts to acquire weakly labeled training data. , 43-50.

11

(2003). Semi-supervised clustering with user feedback. , -.

12

A fast algorithm for automatic classification. Journal of Library Automation. , 31-48.

13

(1998). PAC learning from positive statistical queries. , 112-126.

14

(2002). Text classification from positive and unlabeled examples. , -.

15

(2002). Combining labeled and unlabeled data for multiclass text categorization. , 187-194.

16

(2000). Enhancing supervised learning with unlabeled data. , 327-334.

17

and R. C. Dubes. 1988. Algorithms for Clustering Data. Englewood Cliffs. , -.

18

(1999). Transductive inference for text classification using Support Vector Machines. , 200-209.

19

A sequential algorithm for training text classifiers. Proceedings of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. , 3-12.

20

(2003). Building text classifiers using positive and unlabeled examples. , 179-188.

21

(1998). Employing EM and pool-based active learning with keywords, EM and shrinkage. , 359-367.

22

(2002). Active + semi-supervised learning = robust multi-view learning. , 435-442.

23

(2000). Analyzing the effectiveness and applicability of co-training. , 86-93.

24

(2000). Text classification from labeled and unlabeled documents using EM. 39(2/3), 103-134.

25

(2004). Co-trained support vector machines for large scale unstructured document classification using unlabeled data and syntactic information. 40(3), 421-439.

26

(2004). Labeled and unlabeled data in text categorization. , 2971-2976.

27

(2001). Constrained k-means clustering with background knowledge. , 577-584.

28

(2005). Data Mining: Practical Machine Learning Tools and Techniques. , -.

29

(2003). Text classification from positive and unlabeled documents. , 232-239.

30

(2000). The value of unlabeled data for classification problems. , -.

정보관리학회지