[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,162 @@
|
||||
id: wiki-2026-0508-text-mining
|
||||
title: Text Mining
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-TEMI-001]
|
||||
aliases: [Text Analytics, Information Extraction]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, text-mining, nlp, information-extraction, Pattern-Recognition, machine-learning]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [nlp, text-mining, information-extraction]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: spaCy / LLM-based
|
||||
---
|
||||
|
||||
# [[Text-Mining|Text-Mining]]
|
||||
# Text Mining
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "글의 광맥에서 지식 캐기: 수백만 쪽의 텍스트 더미 속에서 인간이 읽지 않고도 핵심 주제(Topic), 감정(Sentiment), 인명/지명(Entity)을 자동으로 뽑아내어, 정제되지 않은 언어를 '분석 가능한 데이터'로 보석처럼 가공하는 기술."
|
||||
## 매 한 줄
|
||||
> **"매 unstructured text → structured signal"**. Text mining 매 large text corpora 에서 patterns / entities / relationships / sentiment 의 extract 하는 분야. 매 traditional (TF-IDF, NER models) 에서 매 LLM-based extraction (structured output, function calling) 으로 매 paradigm shift.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
텍스트 마이닝(Text-Mining)은 비정형 텍스트 데이터에서 고품질 정보를 도출해내는 과정입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **핵심 기법**:
|
||||
* **Sentiment [[Analysis|Analysis]]**: 텍스트에 담긴 긍정/부정 감정 추출.
|
||||
* **Topic Modeling**: 문서 집단이 다루는 잠재적 주제 파악. (Clustering와 연결)
|
||||
* **Named Entity Recognition (NER)**: 텍스트 중 인물, 지역, 조직 등을 구별해 내기.
|
||||
2. **왜 중요한가?**:
|
||||
* 인류 지식의 80%는 비정형 텍스트 형태로 존재하는데, 텍스트 마이닝은 이 거대한 원유 정책(Oil)을 실제 지능 정책(Intelligence)으로 정제해 주어 무한한 비즈니스 기회 정책을 만들기 때문임. ([[Research|Research]]의 가속기)
|
||||
### 매 traditional pipeline
|
||||
- **Tokenization** → **POS tagging** → **NER** → **dependency parsing** → **sentiment** → **topic modeling**.
|
||||
- Tools: spaCy, NLTK, scikit-learn (TF-IDF + classifiers), gensim (LDA).
|
||||
- 매 production NER: spaCy `transformers` pipeline or fine-tuned BERT.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 불용어 제거(Stopword), 스테밍(Stemming) 등 복잡한 전처리 정책에 사활을 걸었으나, 현대 정책은 LLM 정책이 문맥 정책을 통째로 이해해 버려 복잡한 전처리 정책 없이도 정밀한 추출 정책이 가능해짐(RL Update). ([[Stem-Analysis|Stem-Analysis]]와 연결)
|
||||
- **정책 변화(RL Update)**: 본 시스템이 인터넷의 방대한 문서 정책을 읽고 600개 지식 요약 정책을 만들어내는 과정 자체가 거대한 '텍스트 마이닝 정책'과 '요약 정책'의 결합이며, 이는 텍스트가 지능 정책으로 승화되는 실시간 사례임.
|
||||
### 매 modern (LLM-based)
|
||||
- **Structured output** — 매 LLM 이 JSON schema 의 fill (Claude tool use, OpenAI structured output, Outlines).
|
||||
- **Few-shot extraction** — 매 fine-tune 없이 매 5 examples 만으로 task 의 정의.
|
||||
- **Long-context** — 매 200k+ token document 의 single-shot processing.
|
||||
- 매 cost trade-off: spaCy NER ~$0.0001/doc vs LLM ~$0.01/doc — 매 batch + small model (Haiku, gpt-4o-mini) 으로 reduce.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Stem-Analysis|Stem-Analysis]], [[Research|Research]], [[Analysis|Analysis]], [[Information-Society|Information-Society]], [[Search|Search]], [[Natural-Language-Processing|Natural-Language-Processing]] (NLP)
|
||||
- **Modern Tech/Tools**: SpaCy, Gensim, [[BERT|BERT]], OpenAI API (JSON mode).
|
||||
---
|
||||
### 매 응용
|
||||
1. Resume parsing, contract analysis (entity + clause extraction).
|
||||
2. Customer feedback aggregation (sentiment + topic).
|
||||
3. Biomedical literature mining (gene/protein/disease NER).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### spaCy NER (traditional)
|
||||
```python
|
||||
import spacy
|
||||
nlp = spacy.load("en_core_web_trf")
|
||||
doc = nlp("Apple acquired Anthropic for $50B in March 2025.")
|
||||
for ent in doc.ents:
|
||||
print(ent.text, ent.label_)
|
||||
# Apple ORG, Anthropic ORG, $50B MONEY, March 2025 DATE
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### TF-IDF + classifier
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
from sklearn.linear_model import LogisticRegression
|
||||
from sklearn.pipeline import Pipeline
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
pipe = Pipeline([
|
||||
("tfidf", TfidfVectorizer(ngram_range=(1, 2), max_features=20000)),
|
||||
("clf", LogisticRegression(max_iter=1000)),
|
||||
])
|
||||
pipe.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### LLM structured extraction (Claude)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
from pydantic import BaseModel
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
class Contract(BaseModel):
|
||||
parties: list[str]
|
||||
effective_date: str
|
||||
total_value_usd: float | None
|
||||
governing_law: str | None
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
client = Anthropic()
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=2000,
|
||||
tools=[{
|
||||
"name": "extract_contract",
|
||||
"input_schema": Contract.model_json_schema(),
|
||||
}],
|
||||
tool_choice={"type": "tool", "name": "extract_contract"},
|
||||
messages=[{"role": "user", "content": contract_text}],
|
||||
)
|
||||
data = Contract(**resp.content[0].input)
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Topic modeling (BERTopic)
|
||||
```python
|
||||
from bertopic import BERTopic
|
||||
from sentence_transformers import SentenceTransformer
|
||||
|
||||
embed = SentenceTransformer("BAAI/bge-large-en-v1.5")
|
||||
topic_model = BERTopic(embedding_model=embed, min_topic_size=10)
|
||||
topics, probs = topic_model.fit_transform(docs)
|
||||
topic_model.get_topic_info()
|
||||
```
|
||||
|
||||
### Long-context document QA
|
||||
```python
|
||||
# 200k token contract → single LLM call
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=4000,
|
||||
messages=[{"role": "user", "content": [
|
||||
{"type": "text", "text": contract_full_text,
|
||||
"cache_control": {"type": "ephemeral"}},
|
||||
{"type": "text", "text": "Extract all change-of-control provisions."},
|
||||
]}],
|
||||
)
|
||||
```
|
||||
|
||||
### Hybrid (LLM + regex precheck)
|
||||
```python
|
||||
import re
|
||||
DATE_RE = re.compile(r"\b\d{4}-\d{2}-\d{2}\b")
|
||||
candidates = DATE_RE.findall(text)
|
||||
# 매 LLM 의 candidate 만 disambiguate — 매 cost reduce
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| High-volume (M docs/day) NER | spaCy / fine-tuned BERT |
|
||||
| Complex schema, low volume | LLM structured output |
|
||||
| Topic discovery | BERTopic / embeddings + clustering |
|
||||
| Sentiment | Fine-tuned RoBERTa or LLM |
|
||||
| Long documents (>50k tokens) | LLM with caching |
|
||||
| Domain-specific (legal, medical) | Fine-tune + LLM hybrid |
|
||||
|
||||
**기본값**: 매 prototype LLM, 매 production 은 LLM (low volume) or distilled fine-tuned model (high volume).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[NLP-Foundations]] · [[Information-Retrieval]]
|
||||
- 변형: [[Named-Entity-Recognition]] · [[Topic-Modeling]] · [[Sentiment-Analysis]]
|
||||
- 응용: [[RAG]] · [[Document-Intelligence]] · [[Search]]
|
||||
- Adjacent: [[LLM-Structured-Output]] · [[Embeddings]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 unstructured text corpus 의 query / extract / classify, schema-driven extraction, low-to-medium volume.
|
||||
**언제 X**: 매 milli-second latency 의 필요 (real-time chat moderation) — 매 small distilled model.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Regex-only complex extraction**: 매 brittle — 매 LLM hybrid 로 graceful.
|
||||
- **No evaluation set**: 매 LLM 매 hallucinate — 매 ground-truth eval 의 maintain.
|
||||
- **Full-document LLM 의 every query**: 매 cache or pre-extract structured DB.
|
||||
- **Unicode normalization 의 skip**: 매 Korean/CJK text 매 NFC normalize 필수.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (spaCy 3.x docs, Anthropic structured output guide, BERTopic, 2024-2026 NLP practice).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — traditional + LLM-based extraction patterns |
|
||||
|
||||
Reference in New Issue
Block a user