عنوان فارسی:
پردازش اطلاعات و مدیریت دانش انتخاب مجموعه بر اساس بازیابی اطلاعات توزیع شده
عنوان انگلیسی:
Knowledge based collection selection for distributed information retrieval
فهرست مطالب
۱- کلید واژه ها
۲- چکیده
۳- مقدمه
۴- روش ها
۵- روش های مبتنی بر فرهنگ
۶- معیار شباهت
۷- روش های نمونه گیری مبتنی بر نمونه گیری
۸- معماری
۹- نهادی که ارتباط را به هم پیوند می‌دهد
۱۰- دانش بشری
۱۱- نمایش جمع‌آوری
۱۲- وزن دهی رابطه
۱۳- ویکی پدیا
۱۴- آزمایش
۱۵- Dataset
۱۶- راه اندازی آزمایشی
۱۷- نتایج و بحث
۱۸- تاثیر پارامتر ها
۱۹- مقایسه با روش های دیگر
۲۰- نتیجه گیری و کار آینده
نمونه متن انگلیسی
Abstract
Recent years have seen a great deal of work on collection selection. Most collection selection methods use central sample index (CSI) that consists of some documents sampled from each collection as collection description. The limitations of these methods are the usage of ‘flat’ meaning representations that ignore structure and relationships among words in CSI, and the calculation of query-collection similarity metric that ignore semantic distance between query words and indexed words. In this paper, we propose a knowledge based collection selection method (KBCS) to improve collection representation and query-collection similarity metric. KBCS models a collection as a weighted entity set and applies a novel query-collection similarity metric to select highly scored collections.
نمونه متن فارسی
چکیده
در سال‌های اخیر شاهد مقدار زیادی کار در زمینه انتخاب مجموعه بوده‌ایم . اکثر روش‌های انتخاب مجموعه از شاخص مرکزی نمونه ( CSI ) استفاده می‌کنند که متشکل از برخی از اسناد جمع‌آوری‌شده از هرمجموعه به عنوان شرح جمع‌آوری می‌باشد.
محدودیت‌های این روش‌ها استفاده از نمایش ” مسطح ” هستند که ساختار و روابط بین کلمات درcsi را نادیده می‌گیرند و محاسبه متریک شباهت مجموعه درخواستی که فاصله معنایی بین کلمات پرس و جو و کلمات شاخص را نادیده می‌گیرد . در این مقاله , ما یک روش انتخاب مجموعه مبتنی بر دانش ( KBCS ) را برای بهبود نمایش جمع‌آوری و معیار شباهت مجموعه داده‌ها پیشنهاد می‌کنیم.
توضیحات محصول
عنوان فارسی:
پردازش اطلاعات و مدیریت دانش انتخاب مجموعه بر اساس بازیابی اطلاعات توزیع شده
عنوان انگلیسی:
Knowledge based collection selection for distributed information retrieval
فهرست مطالب
۱- کلید واژه ها
۲- چکیده
۳- مقدمه
۴- روش ها
۵- روش های مبتنی بر فرهنگ
۶- معیار شباهت
۷- روش های نمونه گیری مبتنی بر نمونه گیری
۸- معماری
۹- نهادی که ارتباط را به هم پیوند می‌دهد
۱۰- دانش بشری
۱۱- نمایش جمع‌آوری
۱۲- وزن دهی رابطه
۱۳- ویکی پدیا
۱۴- آزمایش
۱۵- Dataset
۱۶- راه اندازی آزمایشی
۱۷- نتایج و بحث
۱۸- تاثیر پارامتر ها
۱۹- مقایسه با روش های دیگر
۲۰- نتیجه گیری و کار آینده
نمونه متن انگلیسی
Abstract
Recent years have seen a great deal of work on collection selection. Most collection selection methods use central sample index (CSI) that consists of some documents sampled from each collection as collection description. The limitations of these methods are the usage of ‘flat’ meaning representations that ignore structure and relationships among words in CSI, and the calculation of query-collection similarity metric that ignore semantic distance between query words and indexed words. In this paper, we propose a knowledge based collection selection method (KBCS) to improve collection representation and query-collection similarity metric. KBCS models a collection as a weighted entity set and applies a novel query-collection similarity metric to select highly scored collections.
نمونه متن فارسی
چکیده
در سال‌های اخیر شاهد مقدار زیادی کار در زمینه انتخاب مجموعه بوده‌ایم . اکثر روش‌های انتخاب مجموعه از شاخص مرکزی نمونه ( CSI ) استفاده می‌کنند که متشکل از برخی از اسناد جمع‌آوری‌شده از هرمجموعه به عنوان شرح جمع‌آوری می‌باشد.
محدودیت‌های این روش‌ها استفاده از نمایش ” مسطح ” هستند که ساختار و روابط بین کلمات درcsi را نادیده می‌گیرند و محاسبه متریک شباهت مجموعه درخواستی که فاصله معنایی بین کلمات پرس و جو و کلمات شاخص را نادیده می‌گیرد . در این مقاله , ما یک روش انتخاب مجموعه مبتنی بر دانش ( KBCS ) را برای بهبود نمایش جمع‌آوری و معیار شباهت مجموعه داده‌ها پیشنهاد می‌کنیم.
برچسب ها:
Data Analysis, data mining, web data mining, تحلیل پوششی داده ها, تحلیل داده, ترجمه مقاله کامپیوتر, داده پردازی, داده کاوی, دانلود مقاله کامپیوتر, مقاله کامپیوتر