공간 정보를 가지는 데이터셋의 준자동 융합 기법

국문 초록 (Abstract)

빅데이터 관련 기술이 발달함에 따라 이전에는 처리할 수 없었던 방대한 규모의 데이터를 처리할 수 있게 되었다. 이에 따라 데이터 선정 및 융합 자동화 프로세스 구축은 빅데이터 기반 서비스 구현에 있어 선택이 아닌 필수인 시대가 되었다. 본 논문은 공간 정보를 담고 있는 데이터셋을 융합하여 유의미한 새로운 정보를 생성하기 위한 준자동화 기법을 제안한다. 우선 Node2Vec 모델을 활용하여 주어진 데이터셋의 키워드를 이용해 데이터셋의 임베딩 벡터를 생성한다. 생성된 각 임베딩 벡터를 이용해 코사인 유사도를 계산하여 데이터셋 간의 시멘틱 유사도를 구한다. 이후 사람이 개입하여 그 시멘틱 유사도가 상대적으로 높은 데이터셋 쌍중에서 공간 정보를 가진 데이터셋을 선별하고, 데이터셋 쌍을 융합하여 시각화한다. 이러한 일련의 준자동 융합 프로세스를 통해 단일 데이터셋으로부터는 얻을 수 없는 유의미한 융합정보를 생성할 수 있음을 보인다.

다국어 초록 (Multilingual Abstract)

With the development of big data-related technologies, it has become possible to process vast amounts of data that could not be processed before. Accordingly, the establishment of an automated data selection and fusion process for the realization of big data-based services has become a necessity, not an option. In this paper, we propose an automation technique to create meaningful new information by fusing datasets containing spatial information. Firstly, the given datasets are embedded by using the Node2Vec model and the keywords of each dataset. Then, the semantic similarities among all of datasets are obtained by calculating the cosine similarity for the embedding vector of each pair of datasets. In addition, a person intervenes to select some candidate datasets with one or more spatial identifiers from among dataset pairs with a relatively higher similarity, and fuses the dataset pairs to visualize them. Through such semi-automatic data fusion processes, we show that significant fused information that cannot be obtained with a single dataset can be generated.

목차 (Table of Contents)

• 초록
• ABSTRACT
• 1. 서론
• 2. 이론적 배경 및 관련 연구
• 3. 공간 정보 융합
• 4. 실험
• 5. 결론
• References

참고문헌 (Reference)

1 장태우, "주소정보와 위치정보의 통합 및 활용 방안 연구" 한국전자거래학회 15 (15): 93-105, 2010

2 이성화, "위치기반의 지번부여제도 개선에 관한 연구" 한국국토정보공사 42 (42): 147-164, 2012

3 최윤수, "우리나라 기본지리정보 좌표계(UTM-K) 도입에 관한 연구" 한국측량학회 22 (22): 313-321, 2004

4 Ma, L., "Using Word2Vec to process big text data" 2895-2897, 2015

5 Liu, J., "Urban big data fusion based on deep learning : An overview" 53 : 123-133, 2020

6 Cho, S. R., "Topic Re-modeling System using Node2Vec" 2020

7 Wiemann, S., "Spatial data fusion in spatial data infrastructures using linked data" 30 (30): 613-636, 2016

8 Korea Ministry of the Interior and Safety, "Road Name Address System"

9 Grover, A., "Node2Vec : Scalable feature learning for networks" 2016

10 Winarno, E., "Location based Service for Presence System using Haversine Method" 1-4, 2017

11 Xia, P., "Learning Similarity with Cosine Similarity Ensemble" 307 : 39-52, 2015

12 Li, Y., "Guide to big data applications" Springer 83-104, 2018

13 Khan, S., "Deep learning-based urban big data fusion in smart cities : Towards traffic monitoring and flowpreserving fusion" 89 : 106906-, 2021

14 Bleiholder, Jens, "Data fusion" 41 (41): 1-41, 2009

15 Gao, J., "A Survey on Deep Learning for Multimodal Data Fusion" 32 (32): 829-864, 2020

16 Cho, S. R., "A Preliminary Study on Improving Korean Text Embedding Model" 2020