• 실천공학교육논문지
• /
• 제15권2호
• /
• pp.509-517
• /
• 2023

TextRank 알고리즘을 활용한 연관 단어 추천 시스템과 사용자가 선택한 단어 기반 아이디어 생성 서비스를 반응형 웹으로 제공한다. 연관 단어 추천 시스템에서는 TextRank 알고리즘을 이용한 단어별 가중치 부여 방법 및 SoftMax를 적용한 확률 출력 방법을 논한다. 아이디어 생성 서비스에서는 mini-GPT를 이용한 아이디어 생성 방법과 인공지능 강화학습 방법에 대해 논한다. 반응형 웹에 대해서는 React와 Spring Boot, Flask 간의 연동 과정에 대해 논하며 전체적인 구동 방식에 대해 서술한다. 사용자가 원하는 주제를 입력하면 연관된 단어를 제공한다. 사용자는 연관된 단어를 선택하거나 원하는 단어를 추가하여 마인드맵을 구성한다. 사용자가 구성된 마인드맵에서 조합할 단어를 선택하면 새로 생성된 아이디어와 그와 연관된 특허를 제공한다. 본 웹서비스는 생성된 아이디어에 대해 다른 사용자와 공유할 수 있으며, 별점으로 사용자 피드백을 받아 인공지능을 개선한다.

• 벤처창업연구
• /
• 제14권4호
• /
• pp.199-209
• /
• 2019

기업의 소셜미디어 활용이 빠른 속도로 증가함에 따라 성공적인 소셜미디어 활용전략의 중요성이 커지고 있다. 이러한 중요성은 새로이 시장에 진입하여 신속하게 시장에서의 인지도를 확대하고 미래고객을 확보해야 할 필요성이 큰 스타트업 회사에게 더욱 절실하다고 할 수 있다. 본 연구의 목적은 스타트업 회사의 소셜미디어 활용의 특징을 보여주는 지표를 탐색적으로 조사, 분석하는데 두고 있다. 주요 지표는 전반적인 소셜미디어 관련 활동을 보여주는 지표와 소셜미디어 서비스을 통해 형성된 소셜네트워크 구조의 특성과 관련 지표를 포함한다. 스타트업 회사의 이러한 지표를 좀 더 객관적으로 평가하기 위하여 잘 갖춰진 기존 회사의 지표와 비교, 분석 하였다. 본 연구를 위해 여러 소셜미디어 서비스 중 트위터를 선정하고, 트위터 REST API를 통해 측정지표와 관련된 데이터와 팔로워네트워크(follower-network)에 대한 데이터를 수집하였다. 주요 분석방법으로 각 회사의 소셜네트워크 구조의 특성을 분석하기 위해 소셜네트워크분석기법이 활용되었으며, 클러스터분석 기법을 이용하여 스타트업 회사와 기존 회사의 측정지표를 비교, 분석하였다. 분석결과에 따르면 대부분의 측정지표에서 스타트업 회사와 기존 회사 간에 유의미한 차이를 보여주고 있다. 특징적인 분석결과의 하나로 스타트업 회사들이 상대적으로 많은 수의 인플루언서 (influencer)를 팔로워네트워크에 가지고 있다는 점이다. 또한, 스타트업 회사를 포함하는 클러스터의 네트워크 모듈성(modularity)과 추이성(transitivity)이 기존 회사에 비해 상대적으로 높은 것으로 나타났다. 이러한 결과는 스타트업 회사의 소셜네트워크 안에 기존 회사에 비해 내부결속력이 높은 상대적으로 많은 수의 커뮤니티가 존재한다는 점을 시사한다고 할 수 있다. 스타트업 회사의 이러한 특징은 잠재고객 및 비즈니스 파트너와의 효과적인 정보교환을 촉진할 수 있으며, 따라서 향후 일반적인 스타트업 회사의 소셜미디어 노력은 어떻게 인플루언서를 확보할 것인지, 또한 어떻게 내부결속력이 높은 긴밀한 네트워크를 구축할 것인지에 초점을 두어야 할 필요성이 있음을 시사하고 있다.

• 한국빅데이터학회지
• /
• 제4권2호
• /
• pp.1-12
• /
• 2019

인공지능 기술이 발전하면서 이미지, 음성, 텍스트 등 다양한 분야에 적용되고 있으며, 데이터가 충분한 경우 기존 기법들에 비해 좋은 결과를 보인다. 주식시장은 경제, 정치와 같은 많은 변수에 의해 영향을 받기 때문에, 주식 가격의 움직임 예측은 어려운 과제로 알려져 있다. 다양한 기계학습 기법과 인공지능 기법을 이용하여 주가 패턴을 연구하여 주가의 등락을 예측하려는 시도가 있어왔다. 본 연구는 딥러닝 기법 중 컨볼루셔널 뉴럴 네트워크(CNN)를 기반으로 주가 패턴 예측률 향상을 위한 데이터 증강 방안을 제안한다. CNN은 컨볼루셔널 계층을 통해 이미지에서 특징을 추출하여 뉴럴 네트워크를 이용하여 이미지를 분류한다. 따라서, 본 연구는 주식 데이터를 캔들스틱 차트 이미지로 만들어 CNN을 통해 패턴을 예측하고 분류하고자 한다. 딥러닝은 다량의 데이터가 필요하기에, 주식 차트 이미지에 다양한 데이터 증강(Data Augmentation) 방안을 적용하여 분류 정확도를 향상 시키는 방법을 제안한다. 데이터 증강 방안으로는 차트를 랜덤하게 변경하는 방안과 차트에 가우시안 노이즈를 적용하여 추가 데이터를 생성하였으며, 추가 생성된 데이터를 활용하여 학습하고 테스트 집합에 대한 분류 정확도를 비교하였다. 랜덤하게 차트를 변경하여 데이터를 증강시킨 경우의 분류 정확도는 79.92%였고, 가우시안 노이즈를 적용하여 생성된 데이터를 가지고 학습한 경우의 분류 정확도는 80.98%이었다. 주가의 다음날 상승/하락으로 분류하는 경우에는 60분 단위 캔들 차트가 82.60%의 정확도를 기록하였다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.163-176
• /
• 2014

소셜미디어 확산으로 많은 사용자들이 SNS를 통해 자신의 생각과 의견을 표출하며 다른 사용자들과 상호작용하고 있다. 특히 트위터와 같은 마이크로블로그는 짧은 문장을 통해 영화, TV, 사회 현상 등과 같은 공통의 주제에 대해 많은 사람이 즉각적으로 의견을 표출하고 교환하는 플랫폼의 역할을 수행하고 있다. TV방송 프로그램에 대해서도 의견과 감정을 마이크로블로그를 통해 표출하고 있는데, 본 연구에서는 마이크로블로그의 내용과 시청률과의 관계를 살펴보기 위해, 지난 공중파 방송 프로그램에 대한 트윗을 수집하고 부적절한 트윗들을 제거한 후 형태소 분석을 수행하였다. 추출된 형태소뿐 아니라 이모티콘, 신조어 등 사용자가 입력한 모든 단어들을 후보 자질로 삼아 시청률과의 상관관계를 분석하였다. 실험을 위해 2013년 1월부터 10개월간의 예능프로그램 트윗의 데이터를 수집하여 전국 시청률 데이터와 비교 분석을 수행하였다. 트윗의 발생량은 일주일 중 방송된 요일에 가장 많았으며, 특히 방송시간 부근에서 급격히 증가하는 모습을 보였다. 이것은 전국에 동시간에 방송되는 공중파 프로그램의 특성상 공통된 관심 주제를 제공하기 때문에 나타나는 현상으로 여겨진다. 횟수 기반 자질로 방송 일의 총 트윗 수와 리트윗 수, 방송시간 중의 트윗 수와 리트윗 수와 시청률과의 상관 관계를 분석하였으나 모두 낮은 상관 계수를 나타냈다. 이것은 단순한 트윗 발생 빈도는 방송 프로그램의 만족도 또는 시청률을 제대로 반영하고 있지 못함을 의미한다. 내용 기반 자질로 추출한 단어들 중에는 높은 상관관계를 보여주는 단어들이 발견되었으며, 표준어가 아닌 이모티콘과 신조어 중에도 높은 상관관계를 보여주는 자질이 나타났다. 또한 방송시작 전과 후에 따라 상관계수가 높은 단어가 상이함을 발견하였다. 매주 같은 시간에 방송되는 TV 프로그램의 특성상, 방송을 기다리고 기대하는 내용의 트윗과 방송 후 소감을 표현하는 트윗의 내용에 차이가 존재하였다. 이러한 분석결과는 단어에 따라 시청률과 연관성이 높은 시간대가 달라짐을 의미하며, 시청률을 측정하고자 할 때 각 단어들의 시간대를 고려해서 사용해야 함을 의미한다. 본 연구에서 제안한 방법은 기존의 표본 추출을 통해 이루어지는 TV 시청률 측정을 보완할 수 있는 방법에 활용할 수 있으리라 기대된다.