텍스트 분류를 위한 퍼지 유사도 모델 연구와 비교 분석

초록

본 논문은 퍼지 유사도 기반 텍스트 분류 모델들을 체계적으로 검토하고, 각 모델의 구조·학습·평가 방식을 3‑D 차트로 시각화하여 비교한다. 실험 결과는 퍼지 집합을 이용한 특징 매칭이 전통적인 벡터 공간 모델보다 높은 분류 정확도와 범주 구분 능력을 제공함을 보여준다.

상세 분석

본 논문은 퍼지 이론을 텍스트 분류에 적용한 다양한 모델들을 포괄적으로 정리하고, 그 핵심 메커니즘을 세부적으로 분석한다. 첫째, 퍼지 유사도 계산 방식은 문서와 카테고리 간의 멤버십 함수를 정의함으로써, 단어 빈도와 같은 전통적 가중치가 갖는 이진적 한계를 완화한다. 이를 통해 동일 의미를 갖는 동의어 혹은 다의어가 서로 다른 멤버십 값으로 매핑되어, 보다 부드러운 경계가 형성된다. 둘째, 모델별 특징 추출 단계는 TF‑IDF, LSI, 워드 임베딩 등 기존 기법과 결합하거나, 퍼지 클러스터링을 직접 적용하는 방식으로 구분된다. 퍼지 C‑means 기반 클러스터링은 문서 집합을 다중 소속 가능성으로 표현해, 다중 라벨 상황에서도 유연하게 대응한다. 셋째, 학습 과정에서 퍼지 규칙 기반 추론 엔진을 활용하는 모델은 규칙 가중치를 자동 조정함으로써, 데이터 스파스성에 강인한 성능을 보인다. 특히, 논문은 각 모델의 주요 파라미터(멤버십 함수 형태, 클러스터 수, 규칙 수 등)를 3‑D 시각화 차트에 매핑해, 파라미터 변화가 정확도·재현율·F1 점수에 미치는 영향을 직관적으로 파악할 수 있게 한다. 실험에서는 뉴스 기사, 웹 블로그, 학술 초록 등 3가지 도메인 데이터셋을 사용했으며, 퍼지 기반 모델이 기존 SVM·Naïve Bayes 대비 평균 4~7%의 정확도 향상을 달성했다. 또한, 퍼지 모델은 불확실성이 높은 소수 라벨에 대해 과적합을 방지하고, 라벨 간 경계가 모호한 경우에도 안정적인 예측을 제공한다. 마지막으로, 논문은 퍼지 유사도와 딥러닝 임베딩을 결합한 하이브리드 구조가 향후 연구 방향으로 유망함을 제시한다.