[색인][주제색인][자동색인][동영상색인][문자이미지색인][인터넷색인][문자]색인과 주제색인, 색인과 자동색인, 색인과 동영상색인, 색인과 문자이미지색인, 색인과 인터넷색인 분석

목차

Ⅰ. 색인과 주제색인
1. 주제명표목의 범위
1) 일반주제명
2) 고유명
2. 주제명표목의 형식
1) 표기원칙
2) 고유명
3) 한정어의 부기

Ⅱ. 색인과 자동색인

Ⅲ. 색인과 동영상색인
1. 동영상을 프레임의 진행에 따라 부분별로 분할하는 방법에 관한 것이다
2. 화상인식 방법을 통해 영상의 내용을 구별하여 색인을 자동화하고자 하는 연구이다
3. 음성 코멘트나 캡션과 같이 동영상 정보에 동반되는 정보들을 자동색인에 이용하는 연구이다

Ⅳ. 색인과 문자이미지색인

Ⅴ. 색인과 인터넷색인
1. 데이터 표현
2. 매칭 프로세스
3. 학습능력
4. 구문 입력
5. 조합 탐색

참고문헌

본문내용

Ⅰ. 색인과 주제색인

주제색인은 주제에 의해 문헌의 내용에 접근할 수 있도록 한다. 표목으로는 주제를 나타내는 일반용어 외에 인명, 기관명, 물질명, 상품명, 지명, 그들의 약어, 두문자어 등을 사용한다. 주제명표목은 자모순이나 기타 체계적인 순서로 배열된다.

1. 주제명표목의 범위

1) 일반주제명

특정 도서관이 채용하고 있는 주제명표나 시소러스, 주제명 전거파일에서 그 자료의 주제나 형식을 표현한 주제명을 대상으로 한다.

2) 고유명

(1) 인명이나 단체명
개인의 전기나 특정 개인에 관한 연구자료, 단체의 연혁이나 역사를 취급한 자료, 기념논문집 등에서는 그 대상인 인명이나 단체명을 표목으로 한다.

<중 략>

많은 시스템, 특히 개인용 탐색 에이전트는 성능을 개선시키기 위하여 학습기능을 어느 정도 사용한다. 그 대부분은 검색된 문헌의 적합성에 대한 이용자의 평가에 관련한 피드백을 채용한다. 학습 메카니즘은 통계적인 적합성 피드백과 인공 신경망을 포함한다. 예를 들면 More Like This는 통계적 적합성 피드백을 통 해 검색성능을 개선한다. 이용자들은 첫 번째 탐색에서 검색된 아이템들의 적합성을 평가하고, 이 피드백을 반영하기 위하여 키워드 가중치를 조정한다. Autonomy는 인공신경망 아키텍쳐의 고유한 학습기능을 사용한다. 성능에 대한 이 용자의 피드백은 에러에 대한 평가로 변환되어 질의어와 정보 소스를 나타내는 노드들 간 의 링크에 지정된 가중치를 조정하는 데 사용된다.
이용자 피드백이 필요없는 기계학습의 형태는 검색에 있어서 `인공생명` 방식으로 나타난다. 검색 에이전트는 환경 피드백에 적합한지에 따라, 즉 정보 매칭질의 검색에 그들의 생존을 건다. 이러한 의미에서, 특정 탐색을 수행하는 에이전트는 학습능력을 보이는 것이다.

참고 자료

김기영(2008), 전문색인에 있어서 수작업 색인과 자동색인의 특성, 한국정보관리학회
김강희(1999), 분야별 색인기법을 이용한 인터넷 검색엔진 설계, 경북대학교 전자기술연구소
김진화 외 1명(2010), 의미 확산을 이용한 잠재 의미 색인 방법, 한국정보과학회
선우현승(2009), 색인 디자인 연구, 국민대학교
윤구호(1988), 주제색인법의 분석적 고찰 Ⅰ, 한국정보관리학회
장현성(1999), 내용 기반의 검색을 위한 효율적인 동영상 색인 기법, 서울대학교