대부분의 자동분류기는 학습 도메인과 분류 도메인이 다를 경우 정확도가 떨어지는 단점이 있다. 도메인이 바뀌어 나타난 새로운 자질은 학습에 반영돼 있지 않기 때문에 성능저하를 일으키는 것이다. 본 연구에서는 분류 모델이 갖추어야 할 중요한 기능인 주제 도메인 변경 (domain transfer)에 대한 적응력을 평가하는 것을 주요 목적으로 한다. 평가는 널리 알려져 있는 분류 모텔인 지지벡터기계(SVM), 베이지언(Bayesian), 카이제곱(CHI-squared) 모델과 장르 분류에 특화된 편차기반 모델[1, 2]를 대상으로 도메인 변경시 변화하는 정확도를 측정하여 적응력을 분석하였다. 3개 주재 구성된 분서로 학습하고 상이한 주제를 가진 실험문서에 대해 사설, 리뷰, 논문 3개 장르 범주로 분류한 결과, 편차기반 모델의 평균 정확도가 0.986으로 도메인 변경 적응력이 가장 우수했으며 다음으로 카이제곱, 지지벡터기계, 베이지언 모델 순으로 나타났다. 학습문서의 개수를 10건 정도로 최소화한 상태에서의 평가에서도 편차기반 모델은 평균 정확도가 0.933을 나타내어 학습문서의 수가 매우 적은 경우에도 도메인 변경 적응력이 좋은 것으로 판단되었다.
The most negative element of most automatic classification models is the low accuracy which is observed when we use different domains for training and classifying. This kind of malfunctioning is caused because the new features for changing domains are not included in the general training process. The aim of this study is to evaluate the adaptability to subject domain transfer which is an essential function for genre-based classifying model. The evaluation of domain transfer was performed by measuring the micro average precision recall of domain transfer in the well-known classification models including SVM, Bayesian and deviation-based model [1,2] which are specialized for genre-based classifying. After training these models with documents of three subjects, we classified new documents of different subjects into 3 genre categories of editorial, review and thesis. The result showed that deviation-based model has the best domain adaptability with 0.986 of average accuracy. The accuracy of CHI-squared, SVM and Bayesian came in next. In another domain adaptability with the minimized learning documents of 10 cases deviation-based model showed 0.933 of average accuracy. That is, even with the restricted learning documents the deviation-based model shows an excellent domain transfer adaptability.
