관심 지점 명칭의 단어와 문맥 정보를 활용한 관심 지점의 분류

국문 초록 (Abstract)

관심 저짐이란 상점이나 공원, 음식점 등과 같이 사람들이 관심을 가지거나 유용하다고 생각하는 특정한 지리적 위치를 의미한다. 관심 지점은 명칭과 제공 서비스, 카테고리 등과 같은 여러 정보들로 구성되어 있다. 이와 같은 정보들은 위치기반 어플리케이션에서 필수적인 정보이고, 그 중에서도 카테고리 정보는 위치기반 서비스에서 가장 핵심적인 역할을 한다. 그러나 관심 지점의 카테고리 정보를 직접 모으는 것은 많은 비용과 노력이 들기 때문에 자동으로 수집되어야 한다. 본 논문에서는 카테고리를 자동으로 추정하기 위해서 관심 지점 명칭의 단어 정보와 제한적 주변 문맥 정보를 결합하여 사용하는 방법을 제안한다. 관심 지점 명칭의 단어에는 카테고리를 반영하는 단어들을 포함하고 있어 카테고리를 추정하는데 있어서 중요한 단서가 된다. 제한적 주변 문맥 정보는 관심 지점의 명칭이 언급된 문서에서 명칭이 언급된 주변의 문맥을 의미한다. 명칭이 언급된 주변의 문맥에는 관심 지점의 카테고리를 추정할 정보들을 포함하고 있어 카테고리를 추정하는 것에 있어서 가치있는 정보를 제공한다. 우리는 제안한 모델의 성능을 측정하기 위해 두 가지 데이터셋에서 성능을 평가한 결과, 각 정보를 따로 사용하여 카테고리를 추정한 성능보다 결합하여 사용한 모델의 성능이 더 높게 나타났다.

다국어 초록 (Multilingual Abstract)

A point of interest is a specific point location such as a cafe, a gallery, a shop, or a park. It consists of a name, a category, a location, and so on. Its information is necessary for location-based application, above all category is basic information. However, category information should be automatically gathered because it costs high to gather it manually. In this paper, we propose a novel method to estimate category of POIs automatically using an inner word and local context. An inner word is a word that contains POI`s name. Their name sometimes expose category information. Thus, their name is used as inner word information in estimating category of POIs. Local context information means words around a POI`s name in a document that mentioned the name. The context include information to estimate category. The evaluation of the proposed method is performed on two data sets. According to the experimental results, proposed model using combination inner word and local context show higher accuracy than that of model using each.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련 연구
• 3. 관심 지점의 분류
• 4. 실험 및 평가
• 5. 결론 및 향후 연구
• References

참고문헌 (Reference)

• 1 강신재, "링크확률과 개체명 인식을 이용한 영-한 교차언어 링크 탐색" 한국지능시스템학회 23 (23): 191-195, 2013
• 2 E. Amitay, "Web-a-Where: Geotagging Web Content" 273-280, 2004
• 3 M. Collins, "Ranking Algorithms Named-Entity Extraction: Boosting and the Voted Perceptron" 489-496, 2002
• 4 A. Alves, "Place Enrichment by Mining The Web" 66-77, 2009
• 5 K. Crammer, "On the Algorithmic Implementation of Multiclass Kernel-based Vector Machines" 2 : 265-293, 2002
• 6 W. Zong, "On Assigning Place Names to Geography Related Web Pages" 354-365, 2005
• 7 A. Rae, "Mining the Web for Points of Interest" 711-702, 2012
• 8 C. Wang, "Ming Geographic Knowledge Using Location Aware Topic Model" 65-70, 2007
• 9 D. Blei, "Latent Dirichlet Allocation" 3 : 993-1022, 2003
• 10 A. McCallum, "Early Results for Named Entity Recognition with Conditional Random Fields, Feature Induction and Web-enhanced Lexicons" 4 : 188-191, 2003
• 11 J. Lafferty, "Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data" 282-289, 2001