یادگیری فعال با اسناد برچسب دار و بدون برچسب در دسته بندی متون

Publish Year: 1381
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,357

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ACCSI08_018

تاریخ نمایه سازی: 18 بهمن 1386

Abstract:

در بسیاری از مسائل یادگیری واقعی ، بدست آوردن نمونه های برچسب دار در مرحله آموزش بسیار پرهزینه می باشد. در این مقاله روشی برای دسته بندی متون پیشنهاد شده است که در آن ابتدا یک دسته بند بیزین ساده اولیه با تعداد کمی نمونه برچسب دار ساخته می شود، سپس با استفاده از یادگیری فعال و بکارگیری روش نمونه گیری بر اساس عدم اطمینان ب ه همراه ایده جدید مشابهت و انتخاب گروهی نمونه ها ، به صورت هدفمند نمونه های مفید را برای برچسب گذاری به کاربر می دهد تا در آموزش دسته بند از آنها استفاده کند . بدین ترتیب تعداد نمونه های برچسب دار مورد نیاز تا حد زیادی کاهش پیدا می انبوه نمونه های بدون برچسب به دسته بند EM کند. سپس با استفاده از روش داده می شوند تا به صورت خودکار برچسب گذاری شده و آموزش مجددا با مجموعه نمونه های برچسب دار و بدون برچسب صورت گیرد. در نهایت از دسته بر Boosting بند بیزین ساده ساخته شده به عنوان یک مبنا برای تشکیل کمیته اساس بیزین ساده استفاده می شود و دسته بندی نهایی با استفاده از کمیته مذکور و ترکیب آراء آنها صورت می گیرد.

Authors

سعید جلیلی

دانشگاه تربیت مدرس _ گروه مهندسی کامپیوتر

پریسا کردجمشیدی

دانشگاه تربیت مدرس _ گروه مهندسی کامپیوتر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • .Tong S.., Koller D. Support Vector Machine Active ا17 Learning ...
  • کردجمشیدی پریسا، دسته بندی متون با روش یادگیری فعال، پایان ...
  • .Sebastiani F. _ Machine Learning in Text C ategorization. Journal ...
  • .Aas K. _ Eikvil L., Text Categorization _ survey. Norwegian ...
  • .Nigam K. _ Using unlabled Data to improve Text C ...
  • .Zheng Z. _ Nive Bayesian Classifier Committees. ECML 1998, pp196-207. ...
  • Assumption in Information Retrieval. ECML, 1998. ...
  • .McCullum A.K. _ Rosenfeld R. _ Mitchell T.M. , Ng ...
  • Yang Y. and Liu X. A re -examination of text ...
  • International Conference on Research and Development in Information Retrieval (Berkeley, ...
  • .Dagan I., Engleson P. _ C ommittee-B ased sampling for ...
  • .Shlomo A.E. , Dagan I. _ Committee-B ased Sample Selection ...
  • .Freund Y., Seung H., ShamirE. & Tishby N. (1 997).Selective ...
  • .Liere R. _ Tadepalli P., Active learning with Committees for ...
  • 2] .MacCallum A.K., Nigam K., Employing EM and Poo]- Based ...
  • .Lewis D.D., Catlett J., Hetrogeneous uncertainty sampling for supervised learning. ...
  • .Schohn G., Cohn D., Less is more: Active Learning with ...
  • .Roy N., MacCallum A., Toward Optimal Active Learning through sampling ...
  • .Lindenbaum M., Markovit S.& Rusacov D. (1 999). selective sampling ...
  • .Lanqillon C., Partially supervised Text Classification combining labeled & unlableled ...
  • 8].Dempester A.P., Larid N.M., & Rubin D.B. Maximum likelihood from ...
  • .Little R. J. A..Discussion on the paper by Professor Dempester, ...
  • .Nigam K., McCallum A.K., Thrun S., Mitchell T.M. , Text ...
  • 1].Joachimes T. .Transductive inference for Text classification using support Vetor ...
  • .Freund Y. , Schapire R .E., Experiments with new Boosting ...
  • .Schapire R.E., Singer Y ..BoosTexter: a B oosting-based system for ...
  • .Sebastiani F., Sperduti A. and Valdambrini, N. An improved Boosting ...
  • .Kim Y.H. , Hahn S.Y., and Zhang, B.T. Text filtering ...
  • .Cohn D .Ghahramani Z., and Jordan M. , Active Learning ...
  • .Lewis D. & Gale W., A Sequential Algorithm for Training ...
  • نمایش کامل مراجع