재난문자 분류를 위한 딥러닝 모델
A Deep Learning Model for Disaster Alerts Classification
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
재난문자는 재난 발생 시 국가에서 해당 지역에 있는 시민들에게 보내는 문자 메시지다. 재난문자의 발송 건수는 점점 증가하여, 불필요한 재난문자가 많이 수신됨에 따라 재난문자를 차단하는 사람들이 증가하고 있다. 이와 같은 문제를 해결하기 위하여, 본 연구에서는 재난문자를 재난유형별로 자동으로 분류하고 수신자에 따라 필요한 재난의 재난문자만 수신하게 하는 딥러닝 모델을 제안한다. 제안 모델은 재난문자를 KoBERT를 통해 임베딩하고, LSTM을 통해 재난 유형별로 분류한다. [명사], [명사 + 형용사 + 동사], [모든 품사]의 3가지 품사 조합과 제안 모델, 키워드분류, Word2Vec + 1D-CNN 및 KoBERT + FFNN의 4종류 분류 모델을 활용하여 재난문자를 분류한 결과, 제안 모델이 0.988954의 정확도로 가장 높은 성능을 달성하였다.
Abstract
Disaster alerts are text messages sent by government to people in the area in the event of a disaster. Since the number of disaster alerts has increased, the number of people who block disaster alerts is increasing as many unnecessary disaster alerts are being received. To solve this problem, this study proposes a deep learning model that automatically classifies disaster alerts by disaster type, and allows only necessary disaster alerts to be received according to the recipient. The proposed model embeds disaster alerts via KoBERT and classifies them by disaster type with LSTM. As a result of classifying disaster alerts using 3 combinations of parts of speech: [Noun], [Noun + Adjective + Verb] and [All parts], and 4 classification models: Proposed model, Keyword classification, Word2Vec + 1D-CNN and KoBERT + FFNN, the proposed model achieved the highest performance with 0.988954 accuracy.
참고문헌 (17)
- "Criteria and Operating Regulations for Disaster Text Broadcasting"[URL]
- H. Lee, "A Study on the Investigation of the User Awareness of Korean Public Alert System", Proc. of the 2020 Conference of the Korean Institute of Broadcast and Media Engineers (2020)
- 이현지, "뉴스 데이터를 활용한 재난문자 요구사항 분석", 방송공학회 논문지, 25(6), pp.994~1003 (2020), 한국방송∙미디어공학회[DOI]
- T. Mikolov, "Efficient Estimation of Word Representations in Vector Space", Journal of International Conference on Learning Representations (2013)
- J. Devlin, "BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding", Proc. of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 1, pp.4171~4186 (2019)
- "Korean BERT pre-trained cased(KoBERT)"[URL]
- Y. Kim, "Convolutional Neural Networks for Sentence Classification", Proc. of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp.1746~1751 (2014)
- I. Sutskever, "Sequence to Sequence Learning with Neural Networks", Proc. of the 2014 Conference on Neural Information Processing Systems (NIPS) (2014)
- H. Sak, "Long short-term memory recurrent neural network architectures for large scale acoustic modeling", Proc. of 15th Annual Conference of the International Speech Communication Association (INTERSPEECH) (2014)
- 김도우, "Doc2Vec과 Word2Vec을 활용한 Convolutional Neural Network 기반 한국어 신문 기사 분류", 정보과학회논문지, 44(7), pp.742~747 (2017), 한국정보과학회
- 오영택, "Parallel Stacked Bidirectional LSTM 모델을 이용한 한국어 영화리뷰 감성 분석", 정보과학회논문지, 46(1), pp.45~49 (2019), 한국정보과학회[DOI]
- 박천음, "BERT 기반 Variational Inference와 RNN을 이용한 한국어 영화평 감성 분석", 정보과학회 컴퓨팅의 실제 논문지, 25(11), pp.552~558 (2019), 한국정보과학회[DOI]
- D. Bahdanau, "Neural Machine Translation by Jointly Learning to Align and Translate", Proc. of the 3rd International Conference on Learning Representations (2015)
- 임준엽, "트위터를 이용한 기계학습 기반의 영화흥행 예측", 정보처리학회 논문지, 3(7), pp.263~270 (2014), 한국정보처리학회[DOI]
- 김현중, "KR-WordRank : WordRank를 개선한 비지도학습 기반 한국어 단어 추출 방법", 대한산업공학회지, 40(1), pp.18~33 (2014), 대한산업공학회[DOI]
- S. Ji, "WordRank: Learning Word Embeddings via Robust Ranking", Proc. of the 2016 Conference on Empirical Methods in Natural Language Processing, pp.658~668 (2016)
- 김진우, "인공신경망을 적용한 악성 댓글 분류 모델들의 성능 비교", 디지털콘텐츠학회논문지, 20(7), pp.1429~1437 (2019), 한국디지털콘텐츠학회[DOI]