Research DEMO

Stemming from corpora, speech, Eojeol, usage, basil, word search, and support neighborhood

DEMO : Corpus Information Retrieval Link

Document classification using KNN algorithm.

DEMO : Document Classifier Link

Serious games to improve cognitive skills.

DEMO : Cognitive Enhancement Games Link

GoStop game using brain waves.

Korean language IME brain computer using predictive models.

Korean morphological analyzer using a probability model

DEMO : Korean morphological analyzer Link

Korean auto spacing using probabilistic models Braces

DEMO : Korean auto spacer Link

COLLA is a platform to build social networks among students who share the same class, subject or interests

DEMO : Social Learning Platform COLLA Link

EDIAGNOSIS is a system based on Lexical Decision Task to get users English proficiency by analyzing response time and accuracy result consists of individual tests of Reading, Listening, and Translation.


Guest ID :, Password : 123456

APHASIA is a Computer based rehabilitation training system for patients with aphasia


MOOT는 학습자의 자율성을 바탕으로 유연한 학습활동이 되게끔 제공함으로써 자기주도적인 학습을 할 수 있으며, 일반 교과서와 다르게 여러 자료유형을 제공한다.


DEMO : Massive Open Online Textbook Link




This demo uses Komoran 3 for morphological analysis and POS tagging, which is used as an input to SyntaxNet which performs dependency parsing. Dependency parsing determines dependencies among words in a sentence, which can pave the way for sentiment analysis and could also be used to improve machine translation. The generated SyntaxNet file is then passed through a tree visualization tool and output in SVG format.


Five tabs are provided: POS Tagging, Dependency Parsing, Reassembly, Semantic Analysis, and Debug. POS Tagging and Dependency Parsing show the POS tags and parsing results of the original sentence components, and reassembly shows these components recombined back into Korean words (Eojeol). Semantic Analysis tab uses experimental Wikipedia taxonomy analysis and multilingual link database to show Korean and English translations for some terms. The Debug tab can be used to check more details if an error occurs.


For more details on how SyntaxNet works under the hood, check out Andrew’s documentation on his blog here:


The SyntaxNet seminar is also available on the Seminars page.


Dense real-valued vector representations of words or word embedding have recently gained increasing popularity in natural language processing, serving as invaluable features in a broad range of NLP tasks.

Research interest has recently extended to bilingual word embeddings. Bilingual word embedding models focus on the induction of a shared bilingual word embedding space where words from both languages are represented in a uniform language-independent manner such that similar words have similar representation.

These research goal make seed lexicon by aligned parallel data and make mapping function between seed lexicon and general-domain corpora such as Wikipedia. Therefore, we expect to applicate these research to other NLP tasks such as machine translation.


실행방법 : 링크 클릭 후 왼쪽 바에서 road data 클릭 후 preload example 클릭

Utilizing CNN to recognize images and use a RNN machine translation to convert it to a series to text that describes the image.

DEMO : Image Captioning Demo

Utilizing the Image Captioning research, the extracted keyframes from a video is converted into text. By comparing the similarities of each keyframe’s color histogram and generated image description, it is possible to know whether the shot that the keyframe was in, is actually a part of a scene

※ A Scene is collect of shots grouped within a consistent semantic meaning.

DEMO : Scene Detection Demo

The Korea University’s Korean Named Entity Recognition by Lee Dong Yup (KU_NERDY for short).

Named Entity Recognition systems are systems that recognizes words or phrases with object names such as personal name (PS), place name (LC), and group name (OG) in the document as corresponding object names. In this system, a depth learning based model such as CNN (Convolutional Neural Network) and Glove vector is used to represent documents using Korean sentences.

This system has trained its Glove vector with 3,450,000 wikipedia data written only with the Korean language Hangul. And as a result, the morpheme unit quality is expressed using the constructed word embedding space.

After using the NLP&AI lab’s Morphological analyzer of Korea University the parts tag is determined from the given sentence and composed of the qualities, and the information of ‘gazzete’ based on the divided morpheme units is composed by the qualities.


Korean Restaurant Reservation Dialogue System by Lee Dong Yub

A Goal-oriented dialogue system is a system that can perform a specific purpose through text or voice. This demo system, based on the Hybrid Code Network structure, which is able to learn end-to-end learning method by combining domain specific knowledge, we constructed a dialogue system for restaurant reservation by using dialog data set related to restaurant reservation composed in Korean. This Korean restaurant reservation system has 95% accuracy and 63% accuracy.


Korean Morphological Analysis using Rich Character-Level Information (Bi-LSTM) by Andrew Matteson

Previous work on Korean morphological analysis typically employs the use of sub-character features known as graphemes or otherwise utilizes comprehensive prior linguistic knowledge (i.e., a dictionary of known morphological transformation forms, or actions). These models have been created with the assumption that character-level, dictionary-less morphological analysis was intractable due to the number of actions required. We present a model that achieves state-of-the-art word and sentence-level tagging performance (at time of writing) on the Sejong Korean corpus, using no knowledge specific to the Korean language whatsoever.
To use the demo, please go into the link and write in a random text. Then click on the ‘Analyze’ button to see the results


Wisdom Market Project DEMO

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

하나의 플랫폼 안에서 생산, 소비, 유통 거래 시스템의 서비스를 위한 HTML5기반의 반응형 웹 사이트 지혜마켓을 개발하였다. 등록된 디지털 콘텐츠는 모듈형 확장 구조로 관리한다.



DEMO : Wisdom Market Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 사용자가 원하는 결과와 원치 않는 검색 결과가 섞여 나타나는 것을 방지하고 검색에 드는 시간과 노력을 최소화하여 사용자에게 편리성과 만족도를 향상시킬 수 있는 “디지털 콘텐츠 개인화 검색”이다. 본 연구를 통하여 검색 효율을 향상시키고 소비자의 검색 결과에 대한 만족도를 증대시켜서 디지털 콘텐츠 소비를 활성화 시키고자 한다.



DEMO : Contents Recommendation System Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 디지털 콘텐츠 검색 기술을 개인화 검색기술로 고도화 시켜 사용자 성향 및 관심사를 고려하여 사용자가 원하는 검색 결과를 제공하는 것을 목적으로 한다.



DEMO : Personalized Information Retrieval System Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 대량의 콘텐츠 안에서 사용자가 효율적인 학습을 할 수 있도록 학습 코스를 자동으로 생성해줌으로써 사용자들이 소비한 콘텐츠 이력을 기반으로 다른 사용자들이 함께 소비한 콘텐츠를 통하여 학습해야할 대표적인 학습코스를 자동으로 생성해주는 것을 목적으로 한다.



DEMO : Learning Course Recommendation System Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

온라인 교육은 ICT와 함께 지속적인 발전을하고 있다. 그에 따라서 온라인 학습자는 증가하고 있으며 교수자는 학습자들의 학습 여부를 알기 원한다. 본 연구는 비디오 콘텐츠 기반의 온라인 교육에서 학습자들의 최소 학습 여부를 판단할 수 있는 최소학습 모델을 제안하였다. 그리고 최소학습 판단 시스템을 설계 및 개발하였다.

본 연구는 학습자들이 온라인 교육환경에서 비디오 콘텐츠를 통해 최소한의 학습이 이루어진 상태를 최소 학습이라고 정의한다. 최소학습은 학습자들이 비디오 콘텐츠를 시청했을 때 비디오 콘텐츠에서 사용된 단어의 빈도효과를 기반으로 인지처리과정을통해 최소한의 비디오 콘텐츠 시청을 했는지에대한 여부를 판단하고 비디오 콘텐츠를 집중하여 시청 했다는 것은 최소한의 학습 행동이 이루어 졌다는 것을 의미한다.



<그림. 최소학습 판단을 위한 단어게임>

DEMO : Minimum Learning Judgement System Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

디지털 콘텐츠의 종류와 수가 기하급수적으로 증가함에 따라 사용자들은 콘텐츠 선택에 어려움을 느끼고, 시간을 소비하게 된다. 이에 디지털 콘텐츠 선택에 시간소비와 어려움을 해소할 수 있는 디지털 콘텐츠 평판도 측정 알고리즘을 제안하였다.
본 연구는 디지털 콘텐츠의 질적 평가와 사용자와 콘텐츠, 사용자와 사용자간의 상호작용을 분석 및 측정하여 콘텐츠를 순위화하여 상위 콘텐츠를 사용자에게 제공한다.


DEMO : Digital Contents Reputation System

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

온라인상에서 디지털 콘텐츠가 점차 증가함에 따라 사용자들이 콘텐츠 선택에 어려움을 겪고 있다. 이에 따라 온라인 서비스 사용자들은 콘텐츠 선택에 도움을 받기를 원한다. 이에 따라 사용자의 의사결정 문제와 다른 학습자들의 행동 변화 감지에 대한 어려움을 해결하기 위해 시각화 기법을 사용하여 본 시스템을 개발하였다.

본 연구는 사용자로부터 추출한 디지털 데이터를 온라인 서비스 사용자들이 이해하기 쉬운 형태로 모델링하였으며, 디지털 콘텐츠와 사용자 간의 연관성을 이해하기 쉽도록 데이터 시각화 하였다. 본 시스템을 통해 어떤 사용자가 어떤 콘텐츠를 시청하는지, 그 콘텐츠 안에서는 얼마나 많은 활동이 일어나고 있는지 등 디지털 콘텐츠와 사용자 간의 관계를 한눈에 살펴보고 이해할 수 있다.

제목 없음

<그림. 데이터 시각화 시스템 예시>

DEMO : Personalized Interest Map Link

과제 명 : 개인과 집단지성의 디지털콘텐츠화를 통한 유통 및 확산 서비스 기술 개발

본 연구는 실시간으로 학습자의 학습 활동을 모니터링할 수 있도록 제공하고 데이터를 쉽게 이해할 수 있게 RDF(Resource Description Framework) 데이터 모델로 표현할 수 있도록 개발하는 것을 목적으로 한다.



DEMO : BLP Data Shop Link

Traditional Culture Project DEMO

KOCCA 한국 전통문화 과제의 이미지 캡셔닝 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO : 이미지 캡셔닝

KOCCA 한국 전통문화과제의 텍스트 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO : 텍스트 개체명 인식식

KOCCA 한국 전통문화 과제의 이미지 개체명 인식기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

Demo: 이미지 개체명 인식 v.1

Demo: 이미지 개체명 인식 v.2

KOCCA 한국 전통문화 과제의 텍스트 분류기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO : 텍스트 분류기

— Currently in Maintenance —

KOCCA 한국 전통문화 과제의 이미지 분류기 데모입니다.
(차후 추가적인 설명이 업데이트 될 예정입니다)

DEMO (1) : 이미지 분류기

DEMO (2) : 전통 이미지 분류기

Intelligent Fashion Image Retrieval Project DEMO

A Custom Coordination App with User Centered Intelligent Fashion Search
사용자중심의 지능형 패션검색 및 맞춤형 코디네이션 앱

글로벌 패션 시장의 패러다임 변화와 패션 관련 기술의 지능화에 따라 맞춤형·개인화 의류 제품 추천을 위한 사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품을 개발하여 온라인상에서 서비스 대상이 되는 사용자의 패션 쇼핑을 지원

[핵심 기술]

– 지능형 패션 검색 서비스

이미지 및 드로잉 툴 지원을 통해 스케치된 패션 이미지와 실제 상품과의 패션 분석이 용이하고, 검색이 가능한 패션 최적화 검색 서비스 제공


<그림> 유사 이미지 검색


<그림> 드로잉기반 유사이미기 검색


– 맞춤형 코디네이션 서비스

사용자 선호패션 프로파일링 및 패션 이미지 기반의 다양한 방식의 자동분류(유사패턴, 패션종류, 유사색상, 치수 등) 기술 통한 사용자 맞춤형 코디네이션 서비스 제공

fashionapp03 <그림> 맞춤형 코디네이션 추천


<그림> 개인 선호도 조사 서비스

DEMO : 앱 다운로드

Sketch to Image Upsampling using Generative Adversarial Network

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제의 스케치 기반 이미지 검색의 요소 기술인 “스케치 업샘플링 모델”의 데모 페이지입니다. 본 기술은 사용자로부터 스케치 입력이 주어지면, Generative Adversarial Network을 이용하여 이를 이미지 수준으로 업샘플링하는 기술입니다. 본 페이지에서는 핸드백 스케치를 업샘플링하는 데모를 이용해보실 수 있습니다.


“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제 개발 내용중, 상품 이미지를 통해 상품의 카테고리를 분류하는 모델입니다. 본 기술은 사용자로부터 상품의 이미지가 주어지면, CNN을 이용하여 상품 이미지의 자질(feature)를 추출하고 이를 통해 상품의 카테고리를 분류하는 모델입니다.

DEMO : Product Image Category Classification

“사용자 중심의 지능형 패션검색 및 맞춤형 코디네이션 제품 개발” 과제 개발 내용중, 상품의 이미지 검색의 요소 기술인 “유사 상품 이미지 검색 모델”의 데모 페이지입니다. 본 기술은 사용자로부터 상품의 이미지가 주어지면, CNN을 이용하여 상품 이미지의 자질(feature)을 추출하고 이를 인덱싱 되어있는 상품 자질들과의 유사도 검색을 통해 쿼리 상품 이미지와 유사한 상품의 이미지들을 검색하는 모델입니다.

DEMO : Similar Product Image Retrieval