docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,163 @@
|
||||
---
|
||||
id: wiki-2026-0508-text-mining
|
||||
title: Text Mining
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Text Analytics, Information Extraction]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [nlp, text-mining, information-extraction]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: spaCy / LLM-based
|
||||
---
|
||||
|
||||
# Text Mining
|
||||
|
||||
## 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.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 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.
|
||||
|
||||
### 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.
|
||||
|
||||
### 매 응용
|
||||
1. Resume parsing, contract analysis (entity + clause extraction).
|
||||
2. Customer feedback aggregation (sentiment + topic).
|
||||
3. Biomedical literature mining (gene/protein/disease NER).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 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
|
||||
```
|
||||
|
||||
### TF-IDF + classifier
|
||||
```python
|
||||
from sklearn.feature_extraction.text import TfidfVectorizer
|
||||
from sklearn.linear_model import LogisticRegression
|
||||
from sklearn.pipeline import Pipeline
|
||||
|
||||
pipe = Pipeline([
|
||||
("tfidf", TfidfVectorizer(ngram_range=(1, 2), max_features=20000)),
|
||||
("clf", LogisticRegression(max_iter=1000)),
|
||||
])
|
||||
pipe.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
### LLM structured extraction (Claude)
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
from pydantic import BaseModel
|
||||
|
||||
class Contract(BaseModel):
|
||||
parties: list[str]
|
||||
effective_date: str
|
||||
total_value_usd: float | None
|
||||
governing_law: str | None
|
||||
|
||||
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)
|
||||
```
|
||||
|
||||
### 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: [[Information Retrieval]]
|
||||
- 변형: [[Named-Entity-Recognition]] · [[Sentiment-Analysis]]
|
||||
- 응용: [[RAG]] · [[Search]]
|
||||
- Adjacent: [[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