| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
یادگیری بدون نظارت و تحت نظارت برای ارزیابی وابستگی رویداد بر مبنای محتوی کاوی از جریان های رسانه های اجتماعی |
| عنوان انگلیسی مقاله: |
Unsupervised and supervised learning to evaluate event relatedness based on content mining from social-media streams |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 19 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مدیریت صنعتی و مهندسی صنایع |
| گرایش های مرتبط با این مقاله | داده کاوی شبکه های اجتماعی و بازاریابی |
| مجله | Expert Systems with Applications |
| دانشگاه | گروه مهندسی برق، دانشگاه ملی علوم کاربردی، کائوسیونگ، تایوان |
| کلمات کلیدی | جریان کاوی، داده کاوی، ارزیابی رویداد، شبکه های اجتماعی |
| شناسه شاپا یا ISSN | ISSN 0957-4174 |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت ساینس دایرکت |
| نشریه الزویر | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 43 صفحه |
| ترجمه عناوین جداول | ترجمه نشده است |
| ترجمه عناوین تصاویر | ترجمه شده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
- فهرست مطالب:
چکیده
۱ مقدمه
۱ ۱ بیان مسئله
۲ چهارچوب های سیستم
۲ ۱ ویژگی های مسئله
۲ ۲ معماری سیستم
۳ توصیف ویژگی های رویدادهای مشخص شده جهان واقعی
۳ ۱ محتوی کاوی برای استخراج ویژگی محتوایی رویداد
۳ ۲ کاوش برای استخراج ویژگی زمانی رویداد
۳ ۳ محتوی کاوی برای استخراج ویژگی فضایی رویداد
۴ روش نظارت نشده برای خوشه بندی جریان متنی آنلاین و ارزیابی رویداد
۴ ۱ خوشه بندی آنلاین جریان متنی با روش مبتنی بر تراکم
۴ ۱ ۱ دلایل پذیرش یک روش مبتنی بر تراکم در خوشه بندی آنلاین رویداد
۴ ۲ یک روش وزن دهی شرط
۴ ۳ تولید آنلاین خوشه های رویداد و ارزیابی وابستگی پویا
۵ روش تحت نظارت برای ارزیابی آفلاین وابستگی رویداد
۵ ۱ تکنیک هایی برای شاخص های آفلاین وابستگی رویداد
۵ ۲ تعیین بردار رویداد-داده در یک فضای برداری مبتنی بر طبقه بندی کننده ی SVM
۵ ۳ شاخص های ویژه اندازه گیری وابستگی رویداد با استفاده از یک سیستم طبقه بندی کننده ی مبتنی بر چند SVM
۶ نتایج آزمایشی و بحث
۶ ۱ آزمایش با ارزیابی آنلاین رویداد
۶ ۱ ۱ مطالعه ی موردی (۱): رویداد پایه: “زمین لرزه ی ویرجینا در ۲۴ آگوست ۲۰۱۱″
۶ ۱ ۲ مطالعه ی موردی (II): رویداد پایه “وینتی هوستون (Whitney Houston dead)”
۶ ۲ آزمایش با ارزیابی آفلاین رویداد
۶ ۲ ۱ مدل آموخته شده ی طبقه بندی کننده های موضوعی
۶ ۲ ۲ نتایج آزمایشی
۶ ۲ ۳ ارزیابی
۶ ۲ ۴ بحث
۷ تحقیقات مربوطه
۸ نتیجه گیری
- بخشی از ترجمه:
به منظور جلوگیری از آسیب جدی به زندگی ها و اموال افراد بوسیله ی رویدادهای درحال ظهور غیرمنتظره، یادگیری الگوهای تکامل رویداد از تجارب گذشته سودمند است. در این تحقیق ، ما از جریان های توییتر برای طرح یک راه حل بهره برده ایم که سیستم ارزیابی آنلاین رویداد را با استفاده روش خوشه بندی نظارت نشده ی رویداد و شاخص های اندازه گیری آفلاین برای مقایسه ی وابستگی رویدادهای گذشته با استفاده از یک شیوه ی برداری مبتنی بر طبقه بندی کننده ی SVM ترکیب می کند. هر یک از این دو مدل، را می توان به طور جداگانه به عنوان یک سیستم مستقل به کار برد. زمانی که چند رویداد درحال ظهور توسط سیستممان تشخیص داده شد، خوشه های رویداد و بردارهای رویداد می توانند بوسیله ی فرمولبندی پیام های خوشه بندی شده بوسیله ی الگوریتم ما تولید شوند. همچنین یک شاخص اندازه گیری وابستگی برای محاسبه ی وابستگی رویداد می تواند جهت ارزیابی مورد استفاده قرار گیرد. ویژگی های ضروری هر مجموعه داده از رویدادهای مشخص با انجام محتوی کاوی برای تجزیه و تحلیل محتوی، تجزیه و تحلیل فضایی، تجزیه و تحللی زمان استخراج شده اند. این به ما امکان می دهد تا بردار رویداد جدید را با بردارهای رویداد دیگر برای ارزیابی وابستگی رویداد با یکدیگر مقایسه کنیم. وابستگی های آزمایشی نشان می دهند که روش پیشنهادی مان دارای پتانسیل ارزابی آنلاین رویدادهای مربوطه و مقایسه ی پویا ی وابستگی میان رویداد جاری با دیگر رویدادها است.
- بخشی از مقاله انگلیسی:
Introduction Event evaluation using social streams is a challenging area of research that attempts to evaluate evolving real-world events by utilizing continuously arriving message streams. The challenges normally come from the process of incremental clustering of unpredictable volume of incoming event elements in the dynamic environment. In most cases, the internal structures of news events in real world are quite complicated. How and why things in the events are regarded similar and related thus has deep-rooted consequences to how the model works. Given these conditions we still require effective methods by which to compare current and past events, and learn past experiences to cope with possible event evolution. Recently, due to the continuous growing presence of socialmedia applications, there has been a numerous research effort on developing solutions to employ social-media power for awareness of real-world events. Among these applications, one of the most significant phenomena is that people who are located close to the location of occurrence of some emerging event have a higher probability for reporting up-to-date situation about the most recent event development. Meanwhile, people lived in other countries concerning the same event may also contribute their insightful ideas regarding side-effects of event development through social networks. This provides useful knowledge for resolving problems once people suffer from similar events. While this pattern holds across a wide range of real-world cases and time periods, little attention has been paid to establish effective methods for evaluating event relatedness through the use of social media. In fact, the contents of microblogs preserve valuable information associated with past disastrous events and stories. To learn the experiences from past microblogging messages for coping with emerging real-world events, allowing make sensible decisions, the techniques for event evaluation are essentially required. Due to emerging real-world events continually evolve, it is hard to figure out the structure and dynamic development of emerging events, and directly utilize the data of the on-going event to compare with the ones of past events. Novel online event detection techniques, which corporate streaming models with online clustering algorithms, provide feasible solutions to deal with the text streams (e.g. Tweets) for event mining in real time. To estimate the impacts for event understanding, in this work we developed a framework of event evaluation system on Twitter dataset, and used the socialmedia messages to characterize the collected events for relatedness analysis. This work is an attempt to describe the concept of event relatedness using social network datasets. We consider two aspects of relatedness computation we believe event relatedness model should carry out. First, it should take the relatedness among the considered dimensions into account. Second, the relatedness measures should cover online and offline evaluation of detected events. By analyzing the contents of Twitter dataset, our work started with the formulation of event features. In our previous project, we have developed an online event detection system for mining Twitter streams using a density based clustering approach. In this work, we go on evaluating event relatedness using event clusters produced by the developed system platform. Some functions of the developed system framework have been reported in our previous work (Lee, 2012; Ester, Kriegel, Sander, Wimmer, & Xu, 1998; Lee, Wu, & Chien, 2011; Lee, Yang, Chien, & Wen, 2011). The offline event-evaluation model emphasizes extensible capacity in the relatedness measure metrics. That is, the relatedness metrics should be able to be self-contained and also combine with the extensible amounts of specified event-topic elements for measures. These two models provide a unified framework for the relatedness analysis of current and past events, event association, and event evolution, etc. We propose here a combined framework to establishing relatedness evaluation techniques that incorporates a model for online evaluation of emerging event and measure metrics for offline event evaluation.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
یادگیری بدون نظارت و تحت نظارت برای ارزیابی وابستگی رویداد بر مبنای محتوی کاوی از جریان های رسانه های اجتماعی |
| عنوان انگلیسی مقاله: |
Unsupervised and supervised learning to evaluate event relatedness based on content mining from social-media streams |
|
|
