دانلود ترجمه مقاله هسته معنایی برای طبقه بندی متون با ارزش واقعی اصطلاحات – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” هسته معنایی برای طبقه بندی متون با ارزش واقعی اصطلاحات ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
مقدمه
کارهای مربوطه
ماشین های پشتیبانی بردار برای مسئله دسته بندی
تابع معنایی برای دسته بندی متون
روش وزن و ارزیابی عبارات
اصل Helmholtz،برگرفته شده از نظریه Gestalt، بر مبنای داده کاوی می باشد
کرنل معنایی کلاس ها، طبقات (CMK)
تنظیمات آزمایشی
نتایج و کارهای آینده

• بخشی از ترجمه:

نتایج و کارهای آینده
ما کرنل معنایی جدیدی برای SVM ، به نام CMK( کرنل معنایی طبقات)، تعریف می کنیم. CMK، بر مبنای ارزش معنایی عبارات، در زمینه طبقات مربوط به مجموعه های آموزشی، می باشد. ارزش های معنای مطابق با اصل Helmholtz، محاسبه شده که بر مبنای نظریه Gesalt می باشند که قبلا برای مسائل داده کاوی مثل خلاصه بندی اسناد و بیرون کشیدن ویژگی ها، مورد استفاده قرار گرفتند.(Balinsky و همکاران ۲۰۱۰،۲۰۱۱). نظریه Gesalt، بی این نکته توجه می کند که این ویژگی های معنایی و وقایع جالب، به صورت تصادفی و بسیار متغیر ظاهر می شوند. محاسبات معنایی تلاش می کنند تا معناداربودن عبارات در متون را با استفاده از مدل رویکرد ادراکی انسان تعریف کنند. این مدل بر مبنای اصل Helmholtz برگرفته شده از نظریه Gestalt می باشد. در زمینه داده کاوی، داده های متنی شامل ساختارهای طبیعی به شکل جمله، پاراگراف، اسناد، موضوعات و دسته بندی اسناد می باشد. ما در محیط کرنل معنایی، ما ارزش معنایی عبارات را در متون دسته بندی شده، با استفاده از اصل Helmholtz، محاسبه می کنیم. ما از ارزش معنایی، برای هموار کردن بردار عبارت در اسناد استفاده می کنیم. در رویکر نتایج آزمایشات ما، کرنل هموارسازی معنایی نظارت شده مورد توجه قرار گرفته که از اطلاعات دسته بندی استفاده می کند. این رویکرد، یکی از مهم ترین رویکردهای نوین و توسعه یافته محسوب می شود. از این رو تحقیقات قبلی که راجع به کرنل هموارسازی معنایی می باشد، نمی تواند تحقیقات راجع به دسته بندی اطلاعات خاص را تحت پوشش قرار دهد.

• بخشی از مقاله انگلیسی:

۶٫ Conclusions and future work

We introduce a new semantic kernel for SVM called Class Meanings Kernel (CMK). The CMK is based on meaning values of terms in the context of classes in the training set. The meaning values are calculated according to the Helmholtz Principle which is mainly based on Gestalt theory and has previously been applied to several text mining problems including document summarization, and feature extraction (Balinsky et al., 2010, 2011a, 2011b, 2011c). Gestalt theory points out that meaningful features and interesting events appears in large deviations from randomness. The meaning calculations attempt to define meaningfulness of terms in text by using the human perceptual model of the Helmholtz principle from Gestalt Theory. In the context of text mining, the textual data consist of natural structures in the form of sentences, paragraphs, documents, topics and in our case classes of documents. In our semantic kernel setting, we compute meaning values of terms, obtained using the Helmholtz principle in the context of classes where these terms appear. We use these meaning values to smoothen document term vectors. As a result our approach can be considered as a supervised semantic smoothing kernel which makes use of the class information. This is one of the important novelties of our approach since the previous studies of semantic smoothing kernels does not incorporate class specific information.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله