مروری بر روش های مواجهه با تغییرات زمانی در دسته بندی متن

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 471

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TDCONF01_210

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

رشد سریع اطلاعات به خصوص رشد سریع وب، دسته بندی متون را به صورت دستی غیر ممکن می کند. از این جهت دسته بندی خودکار متن به عنوان یکی از زمینه های تحقیقاتی مهم مورد توجه محققین قرار گرفته است. در دسته بندی متن عموما داده ها به صورت آفلاین جمع آوری شده و آموزش بر روی این آن ها انجام می شود سپس مدل آموزش دیده به این روش، می تواند برای پیش بینی داده های دیده نشده ی ورودی مورد استفاده قرار بگیرد. اما در دنیای واقعی متون مدام در حال به روز رسانی هستند و توزیع داده ها و مفاهیم متنی به مرور زمان دستخوش تغییر می شوند به طوری که موجب اثرگذاری بر روی عملکرد دسته بند می شوند. دراین تحقیق، ابتدا به دسته بندی انواع تغییرات ممکن در طول زمان، روشهای تشخیص آن و سپس انواع روش های مواجه با تغییرات زمانی در دسته بندی متون پرداخته شده است و سپس به مقایسه ی روش ها با توجه به نوع تغییرات پرداخته شده است.

کلیدواژه ها:

دسته بندی متن ، زمان در دسته بندی متن ، اثرات زمانی

نویسندگان

مرضیه سپهر

دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه صنعتی مالک اشتر

مرتضی براری

استادیار مجتمع فناوری اطلاعات و ارتباطات، دانشگاه صنعتی مالک اشتر

سمیه کافی

دانشجوی دکترای مهندسی کامپیوتر، دانشگاه صنعتی مالک اشتر

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 :
  • Gama, J., I.Zliobaitغ, A. Bifet, M. Pechenizkiy and A. Bouchachia ...
  • Alonso, O., M. Gertz and R. Baeza-Yates (2007). _ _ ...
  • Bach, S. H. and M. Maloof (2008). Pairedlearners _ conceptdrit. ...
  • Brzezinski, D. and J. Stefanowski (2014). "Reacting to different types ...
  • Carmona-Cej udo, J. M. M. Baena-Garcia, R. M. Bueno, J. ...
  • Dhondt, E., , S. Verberne, N. Oostdijk, J. Beney, C. ...
  • Ditzler, G. (2012). Incremental Learning of Concept Drift from Imbalanced ...
  • Forman, G. (2006). Tackling concept drift by temporal inductive transfer. ...
  • Fukumoto, F., S. Ushiyama, Y. Suzuki and S. Matsuyoshi (2014). ...
  • Katakis, I., G. Tsoumakas and I. Vlahavas (2006). "Dynamic feature ...
  • Kifer, D., S. Ben-David and J. Gehrke (2004). _ _ ...
  • Kolter, J. Z. and M. Maloof (20 03). T)xnami _ ...
  • Mourao, F , L. Rocha, R. Araujo, T. Couto, M. ...
  • Nishida, K. and K. Yamauchi (2009). I earninr _ _ ...
  • Rocha, L., F. Mourao, H. Mota, T. Salles, M. A. ...
  • Rocha, L., F. Mourao, A. Pereira, M. _ Goncalves and ...
  • Sebastiani, F. (2002). "Machine learning in automated text categorization. _ ...
  • Silic, A. and B. D. Basic (2012). Exploring classification concept ...
  • Tsymbal, A. (2004). "The problem of concept drift: definitions and ...
  • Vorburger, P. and A. Bernstein (2006). Entropv-based concept shift detection ...
  • Wenerstrom, B. and C. Giraud-Carrir (2006). Temnoral، lata minino in ...
  • Widmer, G. and M. Kubat (1996). "Learning in the presence ...
  • نمایش کامل مراجع