바로가기메뉴

본문 바로가기 주메뉴 바로가기

logo

  • P-ISSN1013-0799
  • E-ISSN2586-2073
  • KCI

Article Contents

Next
e-Submission

Vol.34 No.4

Citation Share

Deep Learning Research Trends Analysis with Ego Centered Topic Citation Analysis

Journal of the Korean Society for Information Management / Journal of the Korean Society for Information Management, (P)1013-0799; (E)2586-2073
2017, v.34 no.4, pp.7-32
https://doi.org/10.3743/KOSIM.2017.34.4.007

(2017). Deep Learning Research Trends Analysis with Ego Centered Topic Citation Analysis. Journal of the Korean Society for Information Management, 34(4), 7-32, https://doi.org/10.3743/KOSIM.2017.34.4.007

Abstract

Recently, deep learning has been rapidly spreading as an innovative machine learning technique in various domains. This study explored the research trends of deep learning via modified ego centered topic citation analysis. To do that, a few seed documents were selected from among the retrieved documents with the keyword ‘deep learning’ from Web of Science, and the related documents were obtained through citation relations. Those papers citing seed documents were set as ego documents reflecting current research in the field of deep learning. Preliminary studies cited frequently in the ego documents were set as the citation identity documents that represents the specific themes in the field of deep learning. For ego documents which are the result of current research activities, some quantitative analysis methods including co-authorship network analysis were performed to identify major countries and research institutes. For the citation identity documents, co-citation analysis was conducted, and key literatures and key research themes were identified by investigating the citation image keywords, which are major keywords those citing the citation identity document clusters. Finally, we proposed and measured the citation growth index which reflects the growth trend of the citation influence on a specific topic, and showed the changes in the leading research themes in the field of deep learning.

keywords
딥러닝, 기계학습, 연구동향 분석, 자아중심 주제인용분석, 공저 네트워크, 동시인용분석, 인용 이미지 키워드, 인용 성장지수, deep learning, machine learning, research trends analysis, ego centered topic citation analysis, coauthorship networks, co-citation analysis, citation image keywords, citation growth index

Reference

1.

김도미. (1993). 저자동시인용 분석과 인용한 문헌의 색인어 분석에 의한 지적구조의 규명: 경제학 분야를 대상으로. 정보관리연구, 24(1), 32-57.

2.

김하수. (2013). 정치와 언어의 관계에 대한 양적 분석 시론. 담화와 인지, 20(1), 79-111.

3.

(2014). 딥러닝. https://ko.wikipedia.org/wiki/딥_러닝.

4.

유소영. (2015). 자아 중심 네트워크 분석과 동적 인용 네트워크를 활용한 토픽모델링 기반 연구동향 분석에 관한 연구. 정보관리학회지, 32(1), 153-169. http://dx.doi.org/10.3743/KOSIM.2015.32.1.153.

5.

이재윤. (2006). 계량서지적 네트워크 분석을 위한 중심성 척도에 관한 연구. 한국문헌정보학회지, 40(3), 191-214.

6.

이재윤. (2007). 국내 광역 과학 지도 생성 연구. 정보관리학회지, 24(3), 363-383.

7.

이재윤. (2012). 폭소노미 연구 문헌에 대한 자아 중심 주제 인용 분석. 정보관리학회지, 29(4), 295-312. http://dx.doi.org/10.3743/KOSIM.2012.29.4.295.

8.

이재윤. (2013). tnet과 WNET의 가중 네트워크 중심성 지수 비교 연구. 정보관리학회지, 30(4), 241-264. http://dx.doi.org/10.3743/KOSIM.2013.30.4.241.

9.

이재윤. (2014). 공동연구 네트워크 분석을 위한 중심성 지수에 대한 비교 연구. 정보관리학회지, 31(3), 153-179. http://dx.doi.org/10.3743/KOSIM.2014.31.3.153.

10.

이재윤. (2015). 가중 네트워크를 위한 일반화된 지역중심성 지수. 정보관리학회지, 32(2), 7-23. http://dx.doi.org/10.3743/KOSIM.2015.32.2.007.

11.

이재윤. (2016). 국내 재난 관련 연구 동향에 대한 계량정보학적 분석. 정보관리학회지, 33(4), 103-124. http://dx.doi.org/10.3743/KOSIM.2016.33.4.103.

12.

이재윤. (2011). 계량서지적 기법을 활용한 LED 핵심 주제영역의 연구 동향 분석. Journal of Information Science Theory and Practice, 42(3), 1-26.

13.

이재윤. (2009). 텍스트마이닝을 이용한 건축학 분야의 지적 구조 분석. 경기대학교 대학원 논문집, 39, 1-21.

14.

장윤미. (2013). 자아 중심 주제 인용 분석에 의한 독서치료 주제 분야 지적구조에 관한 연구 (37-41). 제20회 한국정보관리학회 학술대회 논문집.

15.

Robert R. Braam. (1991). Mapping of science by combined co-citation and word analysis. I. Structural aspects. Journal of the American Society for Information Science, 42(4), 233-251. http://dx.doi.org/10.1002/(SICI)1097-4571(199105)42:4<233::AID-ASI1>3.0.CO;2-I.

16.

Kullback, S.. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79-86.

17.

Yann LeCun. (2015). Deep learning. Nature, 521(7553), 436-444. http://dx.doi.org/10.1038/nature14539.

18.

이재윤. (2011). Intellectual Structure and Infrastructure of Informetrics: Domain Analysis from 2001 to 2010. 정보관리학회지, 28(2), 11-36.

19.

Jae Yun Lee. (2010). Domain analysis with text mining: Analysis of digital library research trends using profiling methods. Journal of Information Science, 36(2), 144-161. http://dx.doi.org/10.1177/0165551509353251.

20.

Nees Jan van Eck. (2014). CitNetExplorer: A new software tool for analyzing and visualizing citation networks. Journal of Informetrics, 8(4), 802-823. http://dx.doi.org/10.1016/j.joi.2014.07.006.

21.

White, H. D.. (2000). The web of knowledge: A festschrift in honor of Eugene Garfield:Information Today, Inc.

Journal of the Korean Society for Information Management

e-Submission OA Policy