딥러닝 기법은 자연어 처리에서 기본적이고 필수적인 기술로 사용된다. 딥러닝 기법은 복잡한 데이터 내의 비선형 관계를 모델링하는 데 의존한다. 본 연구에서는 연구 논문 분류를 위해 ‘Long Short-Term Memory’(LSTM)와 ‘Gated Recurrent Units’(GRU) 딥러닝 기법을 적용하였다. 우리는 연구 논문 추천 시스템에서 분류 성능을 향상시키기 위해 ‘Bidirectional LSTM’과 GRU를 ‘Convolutional Neural Networks’(CNN)와 결합하였다. 또한 본 방법에서는 연구 논문을 분류하고 추천하기 위해 워드 임베딩도 사용한다. 따라서 본 연구에서는 LSTM, GRU, LSTM과 CNN의 결합, GRU와 CNN의 결합, BiLSTM과 CNN의 결합, BiGRU와 CNN의 결합의 총 6가지 유형의 모델을 평가한다. 이들 모델은 Word2Vec(CBOW 및 Sg) 사전학습 방법을 사용하여 FGCS 데이터셋에서의 성능을 비교하였다. 성능 결과는 CNN 아키텍처를 결합한 모델이 기본 LSTM 및 GRU 모델보다 더 높은 정확도와 F1-Score를 달성함을 보여준다. 보다 심층적인 분석을 위해, CNN과 BiLSTM 및 CNN과 BiGRU의 결합 모델은 CNN과 LSTM, CNN과 GRU 결합 모델에 비해 우수한 성능을 나타낸다. 또한 결합된 CNN 모델에 대한 CBOW Word2Vec 임베딩 방식은 Sg Word2Vec 임베딩 방식보다 일관되게 더 나은 성능을 보인다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.