مقاله بررسی تکنیکهای Document Clustering و مقایسه LDA و moVMF
مقاله بررسی تکنیکهای Document Clustering و مقایسه LDA و moVMF
فرمت فایل دانلودی: .zipفرمت فایل اصلی: docxتعداد صفحات: 8حجم فایل: 253
بخشی از متن:
دانلود ترجمه مقاله بررسی تکنیکهای Document Clustering و مقایسه LDA و moVMF ؛ مقاله ای برای رشته کامپیوتر و فناوری اطلاعات و کاربرد آن در رشته مدیریت است که در 8 صفحه برای دانلود شما ترجمه شده است.
A Survey of Document Clustering Techniques & Comparison of LDA and moVMF
چکیده :
این پروژه به طور کلی به بررسی تکنیکهای Document Clustering که به طور گسترده استفاده شده است می پردازد.ما با استفاده از مدل فضای برداری از طریق تکامل آن و گسترش به دیگر مدل های پیچیده تر و آماری صدا آغاز می کنیم. ما جزئیات دو مدل ، مخلوطی از Von Mises-Fisher و Latent Dirichlet Allocation را از آنجاییکه در سال های اخیر توجه گسترده ای را با توجه به عملکرد خوب خود را بیش از سایر مدل ها داشته اند مقایسه می کنیم. در نهایت میبینیم آزمایشهای بیشتر نیازمند موضوع یا اشیا دیگر است.
کلمات کلیدی :
VSM, LSA, pLSA, K-means, Hierarchical Clustering, LDA, moVMF, Spherical Admixture Model
1- پیش زمینه
امروزه اطلاعات بر روی اینترنت در حال انفجار نمایی در طول زمان است، و حدود 80٪ آن به صورت متن ذخیره شده است. بنابراین متن کاوی موضوع پرطرفداری است. یکی از زمینه های تحقیق به طور ویژه Document Clustering است که یک موضوع عمده در جامعه بازیابی اطلاعات است. و مشخصا" برنامه های کاربردی گسترده ای در جهان واقعی است ، به طور مثال موتورهای جستجو. به طور معمول، یک موتور جستجو اغلب هزاران صفحه در پاسخ به پرس و جو گسترده را برمی گرداند و این کار را برای کاربران برای فهرست و یا برای شناسایی اطلاعات مربوطه دشوار می کند. متد Clustering میتواند به صورت یک گروه خودکار برای بازیابی یک لیست از دسته های معنی دار استفاده شود به عنوان موتورهای جستجو سازمانی مانند Northern Light و Vivisimo یا نرم افزار منبع باز مانند Carrot2 . همچنین گوکل متد Clustering را برای مطابقت وبسایتهای خاص همراه با پرس و جو استفاده می کند. به این صورت که از یک وب سایت می تواند به عنوان مجموعه ای از موضوعات(موضوع چند سند) ببیند و یک query از خودش یا ترکیبی از چند مبحث باشد. این به طور گسترده توسط جامعه موتورهای جستجو بهینه سازی مورد مطالعه قرار گرفته است. برای پیدا کردن یک راه برای بهینه سازی یک وب سایت، مناقصه مطلوب در کلمات کلیدی خاص تعیین می کنیم ، و به این ترتیب ROI را در کمپینهای آنلاین بهبود می دهیم. در نهایت، با افزایش شبکه های اجتماعی در سال های اخیر، مانند فیس بوک و توییتر، اطلاعات معنایی بیشتر در دسترس هستند و در حال حاضر مقدار قابل توجهی از اطلاعات را منتقل می کنند .
نوشته شده در تاریخ 1395/6/25 و در ساعت : 03:53 - نویسنده : computer-engineer
مقاله مقایسه و بررسی روش های خوشه بندی اسناد
مقاله مقایسه و بررسی روش های خوشه بندی اسناد (داکیومنت)
فرمت فایل دانلودی: .zipفرمت فایل اصلی: docxتعداد صفحات: 17حجم فایل: 342
بخشی از متن:
دانلود ترجمه مقاله مقایسه و بررسی روش های خوشه بندی اسناد (داکیومنت) ؛ مقاله ای برای رشته کامپیوتر و فناوری اطلاعات و کاربرد آن در رشته مدیریت است که در 17 صفحه برای دانلود شما ترجمه شده است.
A Comparison of Document Clustering Techniques
چکیده :
این مقاله به بررسی نتایج حاصل از مطالعات تجربی روش های متداول خوشه بندی اسناد (داکیومنت) می پردازد. به خصوص در این مقاله، دو روش اصلی خوشه بندی داکیومنت به نام های خوشه‌بندی سلسله مراتبی متراکم و روش k-mean را بررسی و مقایسه می کنیم. (در روش k-means از الگوریتم استانداردk و متغیر آن وbisecting K-means استفاده کرده ایم). خوشه بندی سلسله مراتبی اغلب به عنوان روش خوشه بندی با کیفیت بهتر به تصویر کشیده می شود، اما به دلیل پیچیدگی های زمانی کوادراتیک یا درجه دوم آن محدودیت هایی هم دارد. در مقابل، روش k-means و متغیرهای آن دارای پیچیدگی های زمانی بصورت خطی است اما خوشه های درجه دوم و پایین تری بوجود می آورد. برخی مواقع، روش سلسله مراتبی و k-means به منظور دست یابی به بهترین روش با هم ترکیب می شوند. با این حال، نتایج بدست آمده از تحقیق ما حاکی از این است که روش k-meansbisectingبهتر از استاندارد k-means است و بهتر و مناسب تر از روش سلسله مراتبی است که ما معیارهای ارزیابی خوشه را آزمایش کردیم. توضیحاتی برای این نتایج بدست آمده داریم که مبتنی بر تجزیه و تحلیل جزئییات الگوریتم خوشه بندی و ماهیت داده های داکیومنت ارائه شده است.
1) پیش زمینه و انگیزه و هدف تحقیق
خوشه بندی اسناد (داکیومنت) برای استفاده در حوزه های متعددی ازجمله معنای متن و بازیابی اطلاعات بررسی شده است. درابتدا، روش خوشه بندی اسناد (داکیومنت) در جهت بهبود دقت و یا فراخوان در سیستم های بازیابی اطلاعات [Rij79, Kow97] بررسی شد و روشی کارآمد برای این منظور مشخص گردید[BL85]. به تازگی خوشه بندی به منظور استفاده در مرور یک مجموعه ای از اسناد (داکیومنت) ارائه می شود [CKPT92] و یا در سازماندهی نتایج که بواسطه یک موتور جستجو برای کاربر مفید واقع می شود. [ZEMK97]. خوشه بندی اسناد (داکیومنت) همچنین برای تولید خودکار خوشه های سلسله مراتبی استفاده شده است [KS97]. (نسل خودکار رده بندی اسناد (داکیومنت) وب همانند موارد تولیدی یاهو (www. yahoo. com) اغلب به عنوان یک هدف ذکر شده است.). یک روش تاحدودی متفاوت هم به این صورت است که خوشه های طبیعی در رده بندی سند در حال حاضر موجود (یاهو) وجود دارد. [AGY99]. و پس از آن از این خوشه ها به منظور تولید یک رده بندی سند موثر برای اسناد (داکیومنت) جدید استفاده می شود. خوشه بندی سلسله مراتبی متراکم و روش k-means دو روش خوشه است که معمولا برای خوشه بندی سند استفاده می شود. خوشه بندی سلسله مراتبی گرچه کندتر است اما اغلب از روش k-means بهتر و کاربردی تر است. مطالعه شناخته شده گسترده ای در این زمینه وجود دارد که در [DJ88] بتفصیل بیان شده است، این مباحث نشانگر این است که خوشه بندی سلسله مراتبی نسبت به k-means ارجح تر است، گرچه باید به این نکته توجه داشته باشید که این نتایج از طریق داده های غیر داکیومنت بدست آمده است. در حوزه داکیومنت، پراکندگی / جمع آوری [CKPT92]، سیستم بازبینی داکیومنت مبتنی بر خوشه بندی با استفاده از یک روش ترکیبی که شامل هر دو روش خوشه بندی ذکر شده است انجام می گیرد. K-means روشی است که بعلت کارآمدی آن مورد استفاده قرار می گیرد و روش خوشه بندی سلسله مراتبی متراکم به دلیل کیفیت آن مورد توجه است. تحقیقات اخیر در ایجاد سلسله مراتب اسناد (داکیومنت) [LA99] استفاده از برخی از تکنیک های خوشه بندی [CKPT92] را ملزم ساخته و نتیجه این تحقیقات نشان می دهد که خوشه بندی سلسله مراتبی از روش K-means بهتر است. اگرچه این نتایج تنها در مورد یک مجموعه داده واحد کاربرد دارد و یکی ازنتایج عمده ای تحقیق ما محسوب نمی شود.
و در ساعت : 03:50 - نویسنده : computer-engineer
مقاله مدیریت اطلاعات مالی برای دانشگاه ها با استفاده از نرم افزار open-source
مقاله مدیریت اطلاعات مالی برای دانشگاه ها با استفاده از نرم افزار open-source
فرمت فایل دانلودی: .zipفرمت فایل اصلی: docxتعداد صفحات: 29حجم فایل: 598
بخشی از متن:
دانلود ترجمه مقاله مدیریت اطلاعات مالی برای دانشگاه ها با استفاده از نرم افزار open-source ؛ مقاله ای برای رشته کامپیوتر و فناوری اطلاعات و کاربرد آن در رشته مدیریت است که در 29 صفحه برای دانلود شما ترجمه شده است.
چکیده:
در این مقاله یک مدل برای تجزیه و تحلیل نتایج مختلف تولید شده توسط برنامه کاربردی TTFنظریه متانسب با فناوری برای مدیریت اطلاعات مالی و اقتصادی بیان میشود.این مدل توسط گودهو 1995گسترش یافته است که دارای دو روش: (1)نقش کلیدی در طراحی فناوری و ایفای نقش و انجام وظیفه توسط مدیر است. هر دوی این جنبه ها بسته به ارزیابی های ساخته شده از یک سری از ویژگیها یا ابعاد ذاتی به مدل میتواند اصلاح شود(2). انتشار ازاد از کد منبع برنامه نه تنها اجازه میدهد که دانش انتقال پیدا کند بلکه جوامع مجازی را ایجاد میکند که از طریق کار مشترک و تبادل تجارب میتواند به یک تناسب بهتری ا ز یک تکنولوژی و وظیفه ای که در دست است برسید.این مدل در بخشهای مختلفی از دانشگاه کراندا (اسپانیا)معرفی شده و در هر دو سطح فردی و گروهی نتایج به دست امده و رد ارزیابی قرار گرفته است.این ارزیابی با استفاده از دیدگاه های مدیران انجام شده است.
و در ساعت : 03:48 - نویسنده : computer-engineer
مقاله تحلیل تاثیر تکنیک های استخراج داده بر پایگاه داده ها
مقاله تحلیل تاثیر تکنیک های استخراج داده بر پایگاه داده ها
فرمت فایل دانلودی: .zipفرمت فایل اصلی: docxتعداد صفحات: 17حجم فایل: 774
بخشی از متن:
دانلود ترجمه مقاله تحلیل تاثیر تکنیک های استخراج داده بر پایگاه داده ها ؛ مقاله ای برای رشته کامپیوتر و فناوری اطلاعات و کاربرد آن در مدیریت پایگاه داده است که در 17 صفحه برای دانلود شما ترجمه شده است.
چکیده مقاله:
در جامعه ی اطلاعاتی امروز
شاهد روند رو به رشد شرکت های الکترونیکی و ذخیره سازی اطلاعات آنها در پایگاه های
داده ای بزرگ هستیم. استخراج داده سبب دانش افروزی میشود. استخراج اطلاعات میتواند
مفاد بارزشی از پایگاه داده ها آشکار کند که به دانش افروزی و بهبود تجارت هوشمند
کمک میکند. در این مقاله به این موضوغات می پردازیم که تکنیک های استخراج داده ای
چه تاثیری بر سیستم های پایگاه داده ای دارند، چگونه میتوان با استفاده از آنها به
اطلاعات مورد نظر دست یافت، به چه ابزارهایی برای استفاده از آنها نیاز است،
طرفداران و منتقدان اصلی آنها چه کسانی هستند. با تمامی این تفاسیر برآنیم تا نشان
دهیم چگونه میتوان تکنولوژی استخراج داده ای را در تکنیک های آن گنجاند.
و در ساعت : 03:46 - نویسنده : computer-engineer
مقاله پیشرفت های اخیر در زمینه خوشه بندی داکیومنت
مقاله پیشرفت های اخیر در زمینه خوشه بندی داکیومنت
فرمت فایل دانلودی: .zipفرمت فایل اصلی: docxتعداد صفحات: 25حجم فایل: 927
بخشی از متن:
دانلود ترجمه مقاله پیشرفت های اخیر در زمینه خوشه بندی داکیومنت ؛ مقاله ای برای رشته کامپیوتر و فناوری اطلاعات و کاربرد آن در رشته مدیریت اطلاعات است که در 25 صفحه برای دانلود شما ترجمه شده است.
Recent Developments in Document Clustering
این گزارش مروری کوتاه بر وضعیت فعلی پژوهش های انجام گرفته بر خوشه بندی داکیومنت دارد و پیشرفت های اخیر در این حوزه را معرفی می کند. الگوریتم های خوشه بندی با دو سناریو فرضی در ذهن در نظر گرفته می شود: خوشه بندی query آنلاین با محدودیت کارآمدی شدید و خوشه بندی آفلاین با تاکید بر صحت انجام. تجزیه و تحلیل مقایسه ای الگوریتم ها همراه با یک جدول خلاصه ویژگی های مهم انجام شده و مشکلات باز و همچنین تحقیقات آتی در این حوزه مورد بحث قرار می گیرد.
محتوا
1. مقدمه2. خوشه بندی خوب، بد و زشت3. مدل فضای برداری
3.1 پیش پردازی
3.2 مثال
4. توسعه k-means
4.1 k-meanکروی آنلاین
4.2 k-means کرنل
5. الگوریتم زایشی
5.1 مدل گاسین
5.2 حداکثر انتظار
5.3 مدل میزس-فیشر
5.4 k-means مبتنی بر مدل
6. خوشه بندی طیفی
6.1 خوشه تقسیم و ادغام
6.2 خوشه بندی fuzzyفازی
7. کاهش ابعادسنجی
7.1 تجزیه و تحلیل مولفه های اصلی
7.2 تجزیه ماتریس نامنفی
7.3کوکلاسترینگ طیفی نرم
7.4 لینگو
8. مدل مبتنی بر عبارت
8.1 خوشه بندی درختی
8.2 نمودار ضمیمه داکیومنت
9. تحلیل مقایسه ای
9.1 خوشه بندی جستجو Query
9.2 خوشه بندی مجموعه
10. نتیجه گیری
مقدمه
خوشه بندی داکیومنت و یا متن زیر مجموعه ای از حوزه بزرگتر از خوشه بندی داده ها است که مفاهیم را از زمینه های بازیابی اطلاعات (IR)، پردازش زبان طبیعی (NLP)، و یادگیری ماشین (ML) قرض می گیرد. خوشه بندی اسناد از این پس به سادگی به عنوان خوشه بندی معرفی شده است.
فرایند خوشه بندی با هدف کشف گروه بندی های طبیعی است و بنابراین یک نمای کلی از رده ها(موضوعات) در مجموعه اسناد ارائه می دهد. در زمینه هوش مصنوعی،به عنوان یادگیری ماشین بدون سرپرست شناخته شده است. خوشه بندی را نباید با طبقه بندی اشتباه گرفت. در مسئله طبقه بندی شماره رده و ویژگی های آن بصورت قیاسی شناخته شده است و اسناد در این رده اختصاص داده است. در مقابل، در مسئله خوشه بندی همانطور که در شماره1 است ویژگی ها و یا عضویت (ترکیب) هر رده از پیش شناخته شده است. این تفاوت در شکل 1 نشان داده شده است. طبقه بندی مثالی از یادگیری ماشینی نظارت شده است.
و در ساعت : 03:28 - نویسنده : computer-engineer
