최근 소프트웨어 유통망(ESD)를 통해 유통되는 게임이 늘어남에 따라 사용자들이 원하는 게임을 찾는데 어려움을 겪고 있다. 이에 따라 사용자들이 원하는 게임을 찾기 쉽게 태그를 생성하는 모델의 필요성이 대두 되고 있다. 본 논문에서는 태그를 생성하는 모델을 BERT를 통해 설계하였다. 태그 100개 중 가장 적합한 태그를 4개 추출하기 위해 입력된 문장에 대해 각 태그별로 이진분류를 수행하고 이진분류 당시의 Softmax 값이 가장 컸던 태그 4개를 선택했다. 또한, 모델의 정확도를 위해서 약 33억 개의 다국어 단어로 학습한 pre-trained Multilingual BERT 모델과 약 5천만 개의 한국어 단어로 학습한 KoBERT 모델을 가져와 한국어 데이터로 학습(finetuning) 시켜 사용하였다. 실험에서 BERT 모델은 KoBERT 모델보다 F- 점수에서 9.19 % 더 나은 성능을 보입니다. 이는 언어 학습 데이터 세트의 크기가 특정 언어인 한국어 특성보다 더 중요하다는 것을 나타낸다.

최근 디지털 콘텐츠 중 E-Book과 웹 소설이 증가하고 있다. 삽화는 텍스트 콘텐츠에서 독자의 이해를 도울 수 있다. 따라서 텍스트 콘텐츠를 분석하여 자동으로 삽화를 생성하는 여러 접근방법이 등장했다. 먼저 규칙 기반 접근방법은 문장을 분석하는 규칙과 분석된 문장 구조를 삽화로 변환하는 규칙을 모두 활용하여 삽화를 생성한다. 그러나 정해진 규칙에서 벗어나면 삽화를 생성하지 못 할 수도 있다는 단점이 있다. 다음으로 통계 기반 접근방법은 통계를 기반으로 후보 중 가장 가능성이 높은 삽화를 생성한다. 그러나 통계 기반 접근방법은 사람이 추출한 정보에 강하게 의존한다는 단점이 있다. 본 연구는 사람이 아닌 시스템이 자동으로 정보를 추출하는 딥러닝을 활용한 삽화 생성 시스템을 제안한다. 제안하는 시스템은 형태소 분석기, 개체명 인식기, 의존 구문 구조 분석기로 이루어져있다. 동화 "빨간모자"를 통해 평가하였고, 총 99문장 중 삽화 생성이 가능한 문장이 28문장, 삽화 생성이 불가능한 문장이 71문장이었다. 삽화 생성이 불가능한 문장의 경우 대사가 41문장, 불명확한 주어가 2문장, 그리고 표현이 불가능한 서술어가 28문장이었다. 제안하는 시스템이 올바른 삽화를 생성한 문장은 23문장, 부적절한 삽화를 생성한 문장은 2문장, 삽화를 생성하지 않은 문장은 74문장으로 나타났다.