ترجمه مقاله ساخت سلسله مراتب و دسته بندی متن بر مبنای استراتژی آزاد سازی و مدل حداقل اطلاعات - نشریه الزویر

ترجمه مقاله ساخت سلسله مراتب و دسته بندی متن بر مبنای استراتژی آزاد سازی و مدل حداقل اطلاعات - نشریه الزویر
قیمت خرید این محصول
۳۹,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
ساخت سلسله مراتب و دسته بندی متن بر مبنای استراتژی آزاد سازی و مدل حداقل اطلاعات
عنوان انگلیسی
Hierarchy construction and text classification based on the relaxation strategy and least information model
صفحات مقاله فارسی
20
صفحات مقاله انگلیسی
8
سال انتشار
2018
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
5.891 در سال 2018
شاخص H_index مجله
162 در سال 2019
شاخص SJR مجله
1.190 در سال 2018
شناسه ISSN مجله
0957-4174
شاخص Q یا Quartile (چارک)
Q1 در سال 2018
کد محصول
10089
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
ترجمه شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
دارد ✓
رفرنس در ترجمه
در داخل متن و انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی فناوری اطلاعات، مدیریت سیستم های اطلاعات
مجله
سیستم های خبره با کاربردهای آن - Expert Systems With Applications
دانشگاه
دانشکده فناوری اطلاعات ، دانشگاه صنعتی پکن ، چین
کلمات کلیدی
دسته بندی سلسله مراتب، استراتژی آزاد سازی، نظریه حداقل اطلاعات، وزن دهی واژه
کلمات کلیدی انگلیسی
Hierarchy classification - Relaxation strategy - Least Information Theory - Term weighting
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.eswa.2018.02.003
فهرست مطالب
چکیده
1- مقدمه
2- کارهای مرتبط
3- ساخت سلسله مراتب با استراتژی آزاد سازی
3-1 روش آزاد سازی
3-2 الگوریتم برای ساخت سلسله مراتب
4- دسته بندی سلسله مراتبی بر مبنای نظریه حداقل اطلاعات برای وزن دهی واژه
4-1 مدل حداقل اطلاعات برای وزن دهی واژه
4-2 آموزش رده بند روی سازه سلسله مراتبی
5- ارزیابی آزمایشگاهی
5-1 مجموعه های داده
5-2 نتیجه ارزیابی
5-3 بحث
6- نتایج
منابع
نمونه چکیده متن اصلی انگلیسی
Abstract

Hierarchical classification is an effective approach to categorization of large-scale text data. We introduce a relaxed strategy into the traditional hierarchical classification method to improve the system performance. During the process of hierarchy structure construction, our method delays node judgment of the uncertain category until it can be classified clearly. This approach effectively alleviates the ‘block’ problem which transfers the classification error from the higher level to the lower level in the hierarchy structure. A new term weighting approach based on the Least Information Theory (LIT) is adopted for the hierarchy classification. It quantifies information in probability distribution changes and offers a new document representation model where the contribution of each term can be properly weighted. The experimental results show that the relaxation approach builds a more reasonable hierarchy and further improves classification performance. It also outperforms other classification methods such as SVM (Support Vector Machine) in terms of efficiency and the approach is more efficient for large-scale text classification tasks. Compared to the classic term weighting method TF*IDF, LIT-based methods achieves significant improvement on the classification performance.

نمونه چکیده ترجمه متن فارسی
چکیده
دسته بندی سلسله مراتب رویکردی مؤثر برای دسته بندی داده های متنی بزرگ مقیاس است. ما یک استراتژی آزاد سازی شده روش دسته بندی سلسله مراتبی مرسوم را به منظور بهبود عملکرد سیستم معرفی می کنیم. روش ما در حین فرایند ساخت سازه سلسله مراتبی داوری گره دسته نامعین را تا زمانی که به وضوح بتوان آن را دسته بندی کرد به تأخیر می اندازد. این رویکرد مسئله «انسداد» را به صورت مؤثری کاهش می دهد که در سازه سلسله مراتبی خطای دسته بندی را از سطح بالاتر به سطح پایین تر انتقال می دهد. یک رویکرد وزن دهی واژه جدید بر مبنای نظریه حداقل اطلاعات (LIT) برای دسته بندی سلسله مراتب اتخاذ شده است. این رویکرد اطلاعات را در تغییرات توزیع احتمال تعیین می کند و مدل نمایش سند جدیدی را ارائه می کند که در آن می توان مشارکت هر واژه را به صورت صحیح وزن داد. نتایج آزمایشگاهی نشان می دهد که رویکرد آزاد سازی سلسله مراتب معقول تری ایجاد می کند و عملکرد دسته بندی را بیشتر بهبود می بخشد. این رویکرد همچنین در مقایسه با روش های دسته بندی دیگر مانند SVM (ماشین بردار پشتیبان) عملکرد بهتری بر حسب کارایی دارد و برای وظایف دسته بندی متن بزرگ مقیاس کارآمدتر است. روش های مبتنی بر LIT در مقایسه با روش وزن دهی واژه کلاسیک TF*IDF به بهبود قابل توجهی در عملکرد دسته بندی دست می یابد.

بدون دیدگاه