-
公开(公告)号:KR1020180025691A
公开(公告)日:2018-03-09
申请号:KR1020160112691
申请日:2016-09-01
Applicant: 성균관대학교산학협력단
CPC classification number: G06F17/276 , G06N3/08 , G06N99/005
Abstract: 인공신경망기반의문단생성방법이제공된다. 상기방법은문서데이터세트에포함된복수의문장데이터를기반으로머신러닝을통해문장데이터와상기문장데이터에대응하는문장벡터간의상호변환을위한문장벡터변환모델을생성하는단계, 상기복수의문장데이터에각각대응하는복수의문장벡터를기반으로머신러닝을통해현재문장벡터에대한후속문장벡터를예측하기위한후속문장예측모델을생성하는단계및 상기문장벡터변환모델및 상기후속문장예측모델을이용하여하나의입력문장데이터에대응하는출력문단데이터를생성하는단계를포함할수 있다. 따라서, 앞뒤문맥을고려하여문장을생성하여, 올바른문법과일정한스토리의흐름을고려한문장을생성하도록함으로써스토리의질을향상시킬수 있다.
Abstract translation: 提供了一种基于人工神经网络的段落生成方法。 该方法包括:基于包括在文档数据集中的多个句子数据,通过机器学习生成句子数据和与句子数据对应的句子数据之间的相互转换的句子矢量转换模型, 生成后续语句预测模型,用于根据分别与语句向量转换模型和后续语句预测模型对应的多个语句向量,通过机器学习为当前语句向量预测后续语句向量, 并生成对应于一个输入句子数据的输出段落数据。 因此,可以通过考虑来回的上下文来生成句子并生成考虑正确语法和某个故事的流程的句子来提高故事的质量。
-
2.
公开(公告)号:KR1020170079429A
公开(公告)日:2017-07-10
申请号:KR1020150189989
申请日:2015-12-30
Applicant: 성균관대학교산학협력단
IPC: H04N21/472 , H04N21/25 , H04N21/45 , H04N21/466 , H04N21/475
Abstract: 본발명은사용자속성을고려한클러스터링기반의협업필터링방법및 그방법을이용하는영화추천시스템에관한발명이다. 상기방법은제1 소정개수의상위영화타이틀에관한데이터를중심점으로이용하는단계, 상기중심점을기준으로클러스터링적용을하는단계와제2 소정개수의상위장르가많이포함된클러스터를선택하는단계를포함한다.
Abstract translation: 本发明涉及考虑用户属性的基于聚类的协同过滤方法和使用该方法的电影推荐系统。 该方法包括使用关于第一预定数量的上部电影标题的数据作为中心点,基于中心点应用聚类,并且选择包含第二预定数量的较高类型的聚类 。
-
3.
公开(公告)号:KR1020170078464A
公开(公告)日:2017-07-07
申请号:KR1020150189006
申请日:2015-12-29
Applicant: 성균관대학교산학협력단
IPC: H04N21/442 , H04N21/466 , H04N21/475 , H04N21/45 , H04N21/25
Abstract: 본발명의 TV 채널추천방법및 장치는 TV를시청하는시청자에대한각각의데이터를수집하고, 일정기간을두고누적된사용자의시간의존성향에따른기본행렬을토대로상황에맞는프로파일링을통해현재 TV를시청하는서로다른시청자에게상위 k개의채널을추천한다.
Abstract translation: 根据本发明的电视频道推荐方法和装置收集观看电视的观看者的各个数据,并且基于基于在一段时间内累积的用户的时间依赖倾向的基本矩阵, 并建议顶级k频道给不同的观众观看。
-
公开(公告)号:KR101842362B1
公开(公告)日:2018-03-26
申请号:KR1020160112691
申请日:2016-09-01
Applicant: 성균관대학교산학협력단
Abstract: 인공신경망기반의문단생성방법이제공된다. 상기방법은문서데이터세트에포함된복수의문장데이터를기반으로머신러닝을통해문장데이터와상기문장데이터에대응하는문장벡터간의상호변환을위한문장벡터변환모델을생성하는단계, 상기복수의문장데이터에각각대응하는복수의문장벡터를기반으로머신러닝을통해현재문장벡터에대한후속문장벡터를예측하기위한후속문장예측모델을생성하는단계및 상기문장벡터변환모델및 상기후속문장예측모델을이용하여하나의입력문장데이터에대응하는출력문단데이터를생성하는단계를포함할수 있다. 따라서, 앞뒤문맥을고려하여문장을생성하여, 올바른문법과일정한스토리의흐름을고려한문장을생성하도록함으로써스토리의질을향상시킬수 있다.
-
-
-