دانلود ترجمه مقاله یادگیری بدون نظارت و تحت نظارت برای ارزیابی وابستگی رویداد - نشریه الزویر

قیمت خرید این محصول

۴۱,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

یادگیری بدون نظارت و تحت نظارت برای ارزیابی وابستگی رویداد بر مبنای محتوی کاوی از جریان های رسانه های اجتماعی

عنوان انگلیسی

Unsupervised and supervised learning to evaluate event relatedness based on content mining from social-media streams

صفحات مقاله فارسی

43

صفحات مقاله انگلیسی

19

سال انتشار

2012

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

4471

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مدیریت صنعتی و مهندسی صنایع

گرایش های مرتبط با این مقاله

داده کاوی شبکه های اجتماعی و بازاریابی

مجله

سیستم های خبره با کاربردها (Expert Systems with Applications)

دانشگاه

گروه مهندسی برق، دانشگاه ملی علوم کاربردی، کائوسیونگ، تایوان

کلمات کلیدی

جریان کاوی، داده کاوی، ارزیابی رویداد، شبکه های اجتماعی

فهرست مطالب

چکیده
۱ مقدمه
۱ ۱ بیان مسئله
۲ چهارچوب های سیستم
۲ ۱ ویژگی های مسئله
۲ ۲ معماری سیستم
۳ توصیف ویژگی های رویدادهای مشخص شده جهان واقعی
۳ ۱ محتوی کاوی برای استخراج ویژگی محتوایی رویداد
۳ ۲ کاوش برای استخراج ویژگی زمانی رویداد
۳ ۳ محتوی کاوی برای استخراج ویژگی فضایی رویداد
۴ روش نظارت نشده برای خوشه بندی جریان متنی آنلاین و ارزیابی رویداد
۴ ۱ خوشه بندی آنلاین جریان متنی با روش مبتنی بر تراکم
۴ ۱ ۱ دلایل پذیرش یک روش مبتنی بر تراکم در خوشه بندی آنلاین رویداد
۴ ۲ یک روش وزن دهی شرط
۴ ۳ تولید آنلاین خوشه های رویداد و ارزیابی وابستگی پویا
۵ روش تحت نظارت برای ارزیابی آفلاین وابستگی رویداد
۵ ۱ تکنیک هایی برای شاخص های آفلاین وابستگی رویداد
۵ ۲ تعیین بردار رویداد-داده در یک فضای برداری مبتنی بر طبقه بندی کننده ی SVM
۵ ۳ شاخص های ویژه اندازه گیری وابستگی رویداد با استفاده از یک سیستم طبقه بندی کننده ی مبتنی بر چند SVM
۶ نتایج آزمایشی و بحث
۶ ۱ آزمایش با ارزیابی آنلاین رویداد
۶ ۱ ۱ مطالعه ی موردی (۱): رویداد پایه: “زمین لرزه ی ویرجینا در ۲۴ آگوست ۲۰۱۱″
۶ ۱ ۲ مطالعه ی موردی (II): رویداد پایه “وینتی هوستون (Whitney Houston dead)”
۶ ۲ آزمایش با ارزیابی آفلاین رویداد
۶ ۲ ۱ مدل آموخته شده ی طبقه بندی کننده های موضوعی
۶ ۲ ۲ نتایج آزمایشی
۶ ۲ ۳ ارزیابی
۶ ۲ ۴ بحث
۷ تحقیقات مربوطه

نمونه چکیده متن اصلی انگلیسی

Abstract

Due to the explosive growth of social-media applications, enhancing event-awareness by social mining has become extremely important. The contents of microblogs preserve valuable information associated with past disastrous events and stories. To learn the experiences from past events for tackling emerging real-world events, in this work we utilize the social-media messages to characterize real-world events through mining their contents and extracting essential features for relatedness analysis. On one hand, we established an online clustering approach on Twitter microblogs for detecting emerging events, and meanwhile we performed event relatedness evaluation using an unsupervised clustering approach. On the other hand, we developed a supervised learning model to create extensible measure metrics for offline evaluation of event relatedness. By means of supervised learning, our developed measure metrics are able to compute relatedness of various historical events, allowing the event impacts on specified domains to be quantitatively measured for event comparison. By combining the strengths of both methods, the experimental results showed that the combined framework in our system is sensible for discovering more unknown knowledge about event impacts and enhancing event awareness.

نمونه چکیده ترجمه متن فارسی

چکیده
با توجه به رشد انفجاری برنامه های نرم افزاری رسانه های اجتماعی، افزایش اگاهی از رویدادها بوسیله ی اجتماع کاوی (کاوش رسانه های اجتماعی) از اهمیت بسیار زیادی برخوردار شده است. محتوای میکروبلاگ ها حامل اطلاعات ارزشمندی پیرامون رویدادها و وقایع مصیبت بار گذشته می باشد. برای درس گرفتن از تجارب حاصل از رویدادهای گذشته جهت مقابله با رویدادهای درحال ظهور دنیای واقعی، ما در این تحقیق، از پیام های رسانه های اجتماعی برای توصیف رویدادهای دنیای واقعی از طریق کاوش محتوای آنها و استخراج ویژگی های ضروری برای تجزیه و تحلیل وابستگی استفاده می کنیم. از یک سو، ما یک روش خوشه بندی آنلاین بر روی میکروبلاگ های توییتر برای تشخیص رویدادهای درحال ظهور پایه ریزی کردیم و در عین حال ارزیابی وابستگی رویداد را با استفاده از یک روش خوشه بندی نظارت نشده (بدون نظارت) انجام دادیم. از سوی دیگر، یک مدل یادگیری تحت نظارت را برای ایجاد شاخص های اندازه گیری توسعه پذیر جهت ارزیابی وابستگی رویداد طرح ریزی کردیم. بوسیله یادگیری تحت نظارت، شاخص های اندازه گیری توسعه یافته مان قادر خواهند بود تا وابستگی رویدادهای تاریخی گوناگون را محاسبه کنند که این امر این امکان را بوجود می آورد که تاثیرات رویداد بر روی حوزه های مشخصی از نظر کمی برای مقایسه ی رویداد اندازه گیری شود. با ترکیب قابلیت های هر دو روش، نتایج آزمایشی نشان داد که چهارچوب ترکیبی در سیستم مان برای کشف دانش ناشناخته تری پیرامون تاثیرات رویداد و افزایش آگاهی های رویداد معقول است.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی صنایع، دانلود رایگان مقالات انگلیسی داده کاوی