استفاده از ترکیب SVMفازی با برچسب گذاری صوری در بازیابی متون

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,370

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACCSI13_175

تاریخ نمایه سازی: 25 آبان 1386

چکیده مقاله:

در مسائل بازیابی اطلاعات مبتنی بر بازخورد کاربر، یکی از مشکلات اصلی، کمبود تعداد نمونه های آموزشی است. دلیل این امر، عدم امکان دریافت تعداد نمونه های زیاد برچسب خورده توسط کاربر است. برای رفع این مشکل، ما در این مقاله، از روشی برای برچسب گذاری صوری متون استفاده میکنیم. با این کار از مزیت تعداد نمونه های آموزشی بیشتر، با نیاز کمتر به بازخورد کاربر، بهره مند خواهیم شد. برای دخیل کردن عدم دقت ذاتی موجود در برچسب های صوری، از مفاهیم فازی استفاده کرده و برای دسته بندی نمونه ها جهت بازیابی، ازSVM که یک روش قدرتمند دسته بندی داده ها محسوب می شود استفاده کرده ایم. در ضمن جهت بهبود کارایی ، برای انتخاب نمونه های کاندید برای برچسب گذاری صوری، از روش خاصی استفاده شده است. این الگوریتم برای اولین بار در حوزه بازیابی متون مورد استفاده قرار گرفته و نتایج آزمایشات نشان می دهد که این روش، نسبت بهSVM با یادگیری فعال و مبتنی بر بازخورد کاربر، نتایج بسیار بهتری ارائه می کند.

نویسندگان

محمد رحیمی

دانشکده مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر

سعید شیری

دانشکده مهندسی کامپیوتر و فناوری اطلاعات دانشگاه صنعتی امیرکبیر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • K. Wu, K. H. Yap, 00A Pseudo-Lab eling Frame work ...
  • K. Wu, K. H. Yap, ' Fuzzy SVM for content-based ...
  • framework, IEEE Computational Intelligence Magazine, Volume 1, Issue 2, Page(s):10 ...
  • T. Joachims, 00Text categorization with support 1ector machines: Learning with ...
  • Technical Report 23, Universitat Dortmund, LS VIII, 1997. ...
  • T. Joachims .40Text categorization with support 1ector machines?. In Proceedings ...
  • E. Leopold, J. Kindermann, 00Text Ca tegorization with Support Vector ...
  • T. Masuyama, H. Nakagawa, 0Cascaded Feature Selection in SVMs Text ...
  • T. Peng . W.Zuo 0 F. He, _ based adaptive ...
  • J. Shanahan , N. J. G. Roma , *Improving SVM ...
  • H. Drucker, B. Shahrary, D.C. Gibbon, *Support 1ector machines: relevance ...
  • S.Tong, D. Koller, *Support Vector Machine Active Learning with Applications ...
  • G. Schohn and D. Cohn. 0.Less is more: Active learning ...
  • C.F. Lin , S.D. Wang, *Fuzzy support 1ector machines, ' ...
  • S. Tong, E. Chang , *Support 1ector machine active leaning ...
  • Z. Xu, X. Xu, K. Yu, V. Tresp, _ Hybrid ...
  • نمایش کامل مراجع