보존메타데이터 (preservation metadata) - "A Design of Preservation Metadata for Digital Images - Focused on the Yonsei Archives"

Preservation Metadata
"A Design of Preservation Metadata for Digital Images - Focused on the Yonsei Archives"

1. English version(abstract and keywords):

1) ABSTRACT

The Purpose of this study is to construct preservation metadata for small archival repositories focused on digital images. The study include analysing the structure and elements of the preservation metadata for digital images and extracting the element of metadata based on a National Library of New Zealand preservation metadata. NLNZ provides metadata structure and elements with simple version, metadata extractor and the whole archival system framework. And it is possible to link with other standard(i.e. OAIS, PREMIS).

2) keyword : preservation metadata, digital images, National Library of New Zealand(NLNZ), metadata extractor

2. Korean version(발표자료, 초록, 키워드):

1) 발표자료: Click here!

2) 초 록
본 연구에서는 연세대학교 기록보존소에서 소장하고 있는 배민수컬렉션의 디지털 이미지 기록정보를 대상으로 보존메타데이터의 추출부터 관리까지의 절차를 제시하였다. 보존메타데이터는 뉴질랜드 국립도서관에서 제시한 보존 메타데이터 구조와 요소, 추출 프로그램을 이용하였다. 이 표준은 포괄적이면서도 필수 요소를 중심으로 구성하였고, OAIS나 PRMIS와 같은 국제표준과 호환도 가능한 장점이 있다.

3) 키워드 : 디지털 이미지, 보존 메타데이터, 연세대학교 기록보존소, 배민수 컬렉션, 뉴질랜드 국립도서관 보존 메타데이터, 메타데이터 추출기

3. Japanese version(ppt, abstract, keyword):

1) ppt: Click here!

平成19年度　西日本図書館学会秋季日韓交流発表会
延世大学校文献情報学研究科　博士課程　朴　志英
2007年12月01日（土）
於：山口県防府市ルルサス防府多目的ホール

2) Abstract

この研究では延世大学文書館のデジタルイメージ情報を対象に保存メタデータをデザインから管理するまでの 手続きを提案した。この保存メタデータは 延世大学文書館だけではなく、これからの他の機関との協力も考えて相互互換性も考慮したし、 延世大学文書館に 所蔵である他のメタデータとともに管理できるようにした。メタデータモデルと要素はニュージーランドの国立図書館の標準を活用したし、技術(technical)メタデータを xmlフォーマットで抽出して、既存目録データベースと一緒に管理するように具現した。

3) Keywords

ディジタルイメージ、保存メタデ-タ、延世大学文書館、記錄保存所、裴敏洙(ペミンス)コレクション、ニュージーランドの国立図書館、メタデータ、metadata extractor

온톨로지 개발을 위한 일반 지침(Ontology Development 101: A Guide to Creating Your First Ontology)

도서관 연구소 웹진 Now@Library vol. 14(2008.4.30)


온톨로지 개발을 위한 일반 지침
(Ontology Development 101: A Guide to Creating Your First Ontology)
By Natalya F. Noy and Deborah L. McGuinness

<목차>
1. 온톨로지 개발 필요성

2. 온톨로지란 무엇인가?

3. 지식-공학 방법론

4. 클래스와 클래스 계층구조의 정의
4.1 정확한 클래스 계층구조의 반영
4.2 클래스 계층 구조에서 동위관계 분석
4.3 다중 상속
4.4 클래스의 생성 시기
4.5 클래스 생성 vs 속성 값
4.6 클래스 vs 개별 사례
4.7 범위 제한
4.8 서로소인 하위 클래스

5. 속성에 대한 상세 정의
5.1 역슬롯
5.2 기본값

6. 온톨로지 구성요소의 명명 방식
6.1 대문자 표기 vs 구분 문자 사용
6.2 단수 또는 복수
6.3 접두사와 접미사 사용 규정
6.4 기타 고려사항

7. 기타 정보원

8. 결론

참고문헌

Text Categorization 관련 논문 요약

아래 글은 2006년도 2학기 색인초록이론연구(연세대학교 문헌정보학과, 정영미교수님) 수업시간에 다루었던 논문에 대한 정리입니다.

1. A Comparative Study on Feature Selection in Text Categorization
- Yiming Yang, Jan O. Pedersen

[초록]
텍스트범주화의 통계적 학습에서 자질선정방법의 비교연구 - 자질 축소에 초점
5개의 방법이 평가되었음
- 문헌빈도(DF), 정보획득량(IG), 상호정보량(MI), 카이제곱(CHI), 용어강도(TS)
- 카이제곱과 정보획득량이 가장 효과적이었음
- IG 기준치는 k 최근접 이웃 분류기와 로이터 문헌집단을 이용했음. 98%까지 용어를 제거했는데, 분류 정확도가 향상되었음.
- DF 기준치도 유사했음
- DF, IG, CHI 용어 가중치가 비슷했으므로 비용문제가 있을 경우에는 가장 간단하고 비용도 적게 드는 DF가 좋음
- TS는 비교적 50%까지 자질을 축소했을 경우에 괜찮았는데, 축소 비율이 높아지면 경쟁력이 떨어짐
- 반대로, MI는 성능이 안 좋았는데, 저빈도를 선호하기 때문임
(정보검색에서는 DF가 낮은 용어의 상대적 정보량을 크게 보는데, 텍스트 범주화에서는 정보량이 거의 없다고 보기 때문에)

1.1. 분류기: kNN과 LLSF
- 선정이유: 성능이 좋은 분류기라서, 대량문헌 분류에 적합해서, LLSF는 선형, kNN은 비선형 분류기라 분류기에 따른 결과값 차이를 줄일 수 있음
1.2. 실험집단: Reuters-22173과 OSUMED 컬렉션 사용
- 선정이유: 두 집단의 분야(뉴스, 의학)와 크기(OSUMED가 큼)가 다름
1.3. 성능평가: 정확률과 재현률로 수행
1.4. 결과분석
- IG와 CHI는 kNN과 LLSF에서 모두 정확성을 상실하지 않는 축소가 가능
- TS는 50~60% 용어 제거 시점에서 최대값을 가짐
- MI는 희귀어에 대한 편향과 통계적 에러에 민감해서 성능이 낮음
- 기존 개념과 달리 DF가 높은 용어가 텍스트 범주화에는 의미가 있음