دسته بندی متون فارسی با استفاده از روش بیز ساده به شیوه ی موازی

رامین وکیلی احمدآبادی; محمد جعفری صدر; نجمه منصوری

دسته بندی متون فارسی با استفاده از روش بیز ساده به شیوه ی موازی

محل انتشار: اولین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات

سال انتشار: 1395

نوع سند: مقاله کنفرانسی

زبان: فارسی

مشاهده: 898

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > متن کاوی

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/526979

شناسه ملی سند علمی:

CECCONF01_005

تاریخ نمایه سازی: 22 آبان 1395

چکیده مقاله:

با توجه به روند رو به رشد متون الکترونیکی فارسی، نیاز به دسترسی به این فایل ها بسیار اهمیت دارد و دسته بندی کارآمد متون در برنامه های کاربردی مرتبط با متون از اهمیت زیادی برخوردار است. تا به حال روش های گوناگونی برای دسته بندی متون ارائه شده است که اکثرا وابسته به فرآیند یادگیری، مجموعه های آموزشی، هم رخدادی کلمات و منابع زبانشناسی می باشند. اما تمام این فرایندها بصورت سریالی انجام می شودکه دارای پیچیدگی زمانی بسیار بالایی هستند. در این مقاله سعی در بهبود زمان دسته بندی متون با استفاده از موازی سازی این فرایند انجام شده است. این روش تاکنون بصورت موازی انجام نشده است و با انجام اینکار نتیجه گرفته شدکه مدت زمان انجام فرایند بطور تقریبی 30 درصد کاهش پیدا می کند.

کلیدواژه ها:

دسته بندی متون ، متن کاوی ، انتخاب ویژگی ، پردازش متن NLP ، تولید کلمات کلیدی ، موازی سازی

نویسندگان

رامین وکیلی احمدآبادی

دانشگاه شهید باهنر کرمان

محمد جعفری صدر

دانشگاه شهید باهنر کرمان

نجمه منصوری

دانشگاه شهید باهنر کرمان

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 :

مدنی، ص.س، "دسته بندی اسناد فارسی به کمک هستان شناسی ...
زمان اجرای خطی (ثانیه) 172.6109 489.5974 912.1322 1968.469 2813.539 3024.806 ...
زمان اجرای موازی (ثانیه) 119.8276 342.7181 638.4925 1378.928 1968.477 2116.364 ...
A.Khan, B. L, (February 2010) "A Review of Machine Learning ...
CLAS SIFICATION AND CLAS SIFIERS : A SURVEY", International Journal ...
A. Dasgupta, P. Drineas, B. Harb, (2007)"Feature Selection Methods for ...
Su-Jeong Ko and Jung-Hyun Lee (2001)"Feature Selection Using Association Word ...
Anirban Dasgupta (August 2007)"Feature Selection Methods for Text Classification "KDD07, ...
Gongde Guo, Hui Wang, David Bell, Yaxin Bi and Kieran ...
Eiji Aramaki and Kengo Miyo, (2006) "Patient status classification by ...
Muhammed Miah, "Improved k-NN Algorithm for Text Classification _ _ ...
SHI Yong-feng, ZHAO, (2 0 04); Comparison of text categorization ...
D. Lewis, (1998)'Naive Bayes at Forty: _ Independence Assumption in ...
Vidhya. K.A G.Aghila, (2010)"A Survey of Naive Bayes Machine Learning ...
McCallum, A. and Nigam K., "A Comparison of Event Models ...
Sang- Bum Kim, et al, (November 2006):Some Effective Techniques for ...
Dino Isa (November 2008):Text Document Pre-Processing Using the Bayes Formula ...
Bayes Jingnian Chen a, b, Houkuan Huang a, Shengfeng Tian ...
Joachims, T. (1998)"Text categorization with support vector machines: learning with ...
O. Zaiane, and M. Antonie, (2002)Text Document Categorization by Term ...
E. Gharavi and H. Veisi _ (2014)"A Hidden Markov Model ...
A. M. D. J. C. CACHOPO, (2007) "Improving Methods for ...
W. Zhang and F. Gaoa, a*, (2011)"An Improvement to Naive ...

نمایش کامل مراجع