입찰 문장의 BIM 요구사항 난이도 판별에 대한 문자 임베딩 기반 딥러닝 모델 비교 (Comparison of Character Embedding-Based Deep Learning Models for Classifying the Difficulty Level of BIM Requirements in Bid Sentences)

서지정보

· 발행기관 : 대한토목학회
· 수록지 정보 : 대한토목학회논문집(국문) / 44권 / 6호 / 843 ~ 854페이지
· 저자명 : 김정수

초록

건설사업의 BIM 적용이 의무화됨에 따라 입찰단계에서부터 BIM 요구사항 분석이 중요해지고 있고, 방대한 입찰 텍스트 정보를 효과적으로 처리하기 위한 자연어 처리 연구가 활발히 이뤄지고 있다. 국내 입찰문서는 한글과 영문이 혼재되어 있고 동일 표현에 대한 표기가 불규칙해 전처리를 수행하더라도 텍스트 품질 개선이 제한되고 형태소 분석기 성능에 영향을 받는 등의 어려움이 있어, 분석 모델의 성능 저하의 원인으로 작용한다. 이러한 이유로 본 연구는 전처리에 기인한 성능 저하를 저감할 수 있도록 문자 임베딩을 사용해 입찰 문장에 포함된 BIM 요구사항의 난이도 분류를 수행하는 딥러닝 모델을 제시하였다. 단순 문자 임베딩, 양방향 장단기기억 신경망을 결합한 문자 임베딩, 그리고 합성곱 신경망을 결합한 문자 임베딩 모델에 대한 주요 매개변수 영향을 분석하여 최적 모델을 도출하였고, 문자 임베딩 모델 간 BIM 요구사항 난이도 판별 성능을 비교하였다. 추가로 단어 임베딩 기반의 타 모델 결과와 비교하였다. 세 가지 모델 가운데 합성곱 신경망을 활용한 문자 임베딩 모델이 가장 높은 F1 지표(0.98)를 나타내었으며, F1 변화에 합성곱 필터 수 및 크기가 가장 큰 영향을 미치는 것을 확인하였다. 또한 문자 임베딩 모델 사용을 통해 단어 임베딩 모델 대비 약 15 %의 F1 지표 향상이 가능함을 확인하였다.

영어초록

With the mandatory application of Building Information Modeling (BIM) in construction projects, the analysis of BIM requirements
from the bidding stage has become increasingly important. To effectively handle the vast amount of bid text information, research on
natural language processing has been actively conducted. However, domestic bid documents often contain a mixture of Korean and
English, and the inconsistent representation of identical expressions limits text quality improvement even after pre-processing, which
in turn affects the performance of morphological analyzers. These challenges contribute to the degradation of analytical model
performance. To mitigate performance degradation caused by pre-processing, this study proposes a deep learning model that classifies
the difficulty level of BIM requirements in bid sentences using character embeddings. The study analyzes the impact of key parameters
on three types of character embedding models: a simple character embedding, a character embedding combined with the Bi-directional
long short-term memory layer, and a character embedding combined with the convolutional neural networks (CNN) layer. Based on
this analysis, the optimal model was derived, and the performance of BIM requirement difficulty classification was compared across
the character embedding models. Additionally, the results were compared with those of other models based on word embeddings.
Among the three models, the character embedding model utilizing CNN achieved the highest F1 score (0.98), with the number and
size of convolutional filters having the most significant impact on F1 score variation. Furthermore, it was confirmed that the use of
character embedding models resulted in an approximately 15% improvement in the F1 score compared to word embedding models.

참고자료

· 없음