توضیحات
Unstructured text, as one of the most important data forms, plays a crucial role in data-driven decision making in domains ranging from social networking and information retrieval to scientific research and healthcare informatics. In many emerging applications, people’s information need from text data is becoming multidimensional-they demand useful insights along multiple aspects from a text corpus. However, acquiring such multidimensional knowledge from massive text data remains a challenging task. This book presents data mining techniques that turn unstructured text data into multidimensional knowledge. We investigate two core questions. (1) How does one identify task-relevant text data with declarative queries in multiple dimensions? (2) How does one distill knowledge from text data in a multidimensional space? To address the above questions, we develop a text cube framework. First, we develop a cube construction module that organizes unstructured data into a cube structure, by discovering latent multidimensional and multi-granular structure from the unstructured text corpus and allocating documents into the structure. Second, we develop a cube exploitation module that models multiple dimensions in the cube space, thereby distilling from user-selected data multidimensional knowledge. Together, these two modules constitute an integrated pipeline: leveraging the cube structure, users can perform multidimensional, multigranular data selection with declarative queries; and with cube exploitation algorithms, users can extract multidimensional patterns from the selected data for decision making. The proposed framework has two distinctive advantages when turning text data into multidimensional knowledge: flexibility and label-efficiency. First, it enables acquiring multidimensional knowledge flexibly, as the cube structure allows users to easily identify task-relevant data along multiple dimensions at varied granularities and further distill multidimensional knowledge. Second, the algorithms for cube construction and exploitation require little supervision; this makes the framework appealing for many applications where labeled data are expensive to obtain.
————————————————————–
ترجمه ماشینی :
متن بدون ساختار ، به عنوان یکی از مهمترین فرم های داده ، نقش مهمی در تصمیم گیری داده های محور در حوزه های مختلف از شبکه های اجتماعی و بازیابی اطلاعات گرفته تا تحقیقات علمی و انفورماتیک مراقبت های بهداشتی ایفا می کند. در بسیاری از برنامه های نوظهور ، نیاز به اطلاعات افراد از داده های متن در حال تبدیل شدن به چند بعدی است-آنها بینش مفیدی را در طول جنبه های مختلف از یک متن متن تقاضا می کنند. با این حال ، دستیابی به چنین دانش چند بعدی از داده های گسترده متن یک کار چالش برانگیز است. این کتاب تکنیک های داده کاوی را ارائه می دهد که داده های متن بدون ساختار را به دانش چند بعدی تبدیل می کنند. ما دو سوال اصلی را بررسی می کنیم. (1) چگونه می توان داده های متن مرتبط با وظیفه را با نمایش داده های اعلانی در ابعاد مختلف شناسایی کرد؟ (2) چگونه می توان دانش را از داده های متن در یک فضای چند بعدی تقطیر کرد؟ برای پرداختن به سؤالات فوق ، ما یک چارچوب مکعب متن را توسعه می دهیم. اول ، ما یک ماژول ساخت و ساز مکعب را توسعه می دهیم که داده های بدون ساختار را در یک ساختار مکعب سازماندهی می کند ، با کشف ساختار چند بعدی و چند دانه ای نهفته از متن متن بدون ساختار و تخصیص اسناد به ساختار. دوم ، ما یک ماژول استثمار مکعب ایجاد می کنیم که ابعاد مختلفی را در فضای مکعب مدل می کند ، از این طریق از دانش چند بعدی داده های انتخاب شده توسط کاربر جدا می شود. با هم ، این دو ماژول یک خط لوله یکپارچه را تشکیل می دهند: با استفاده از ساختار مکعب ، کاربران می توانند انتخاب داده های چند بعدی و چند منظوره را با نمایش داده های اعلانی انجام دهند. و با الگوریتم های بهره برداری مکعب ، کاربران می توانند الگوهای چند بعدی را از داده های انتخاب شده برای تصمیم گیری استخراج کنند. چارچوب پیشنهادی هنگام تبدیل داده های متن به دانش چند بعدی ، دو مزیت متمایز دارد: انعطاف پذیری و کارآیی برچسب. اول ، این امکان دستیابی به دانش چند بعدی را به صورت انعطاف پذیر امکان پذیر می کند ، زیرا ساختار مکعب به کاربران امکان می دهد تا داده های مربوط به کار را در طول ابعاد مختلف در دانه های متنوع شناسایی کرده و دانش چند بعدی را تقطیر کنند. دوم ، الگوریتم های ساخت مکعب و استثمار نیاز به نظارت کمی دارند. این امر باعث می شود این چارچوب برای بسیاری از برنامه های کاربردی جذاب باشد که داده های دارای برچسب برای به دست آوردن آن گران هستند.
tag : دانلود کتاب استخراج چند بعدی داده های متن عظیم , Download استخراج چند بعدی داده های متن عظیم , دانلود استخراج چند بعدی داده های متن عظیم , Download Multidimensional Mining of Massive Text Data Book , استخراج چند بعدی داده های متن عظیم دانلود , buy استخراج چند بعدی داده های متن عظیم , خرید کتاب استخراج چند بعدی داده های متن عظیم , دانلود کتاب Multidimensional Mining of Massive Text Data , کتاب Multidimensional Mining of Massive Text Data , دانلود Multidimensional Mining of Massive Text Data , خرید Multidimensional Mining of Massive Text Data , خرید کتاب Multidimensional Mining of Massive Text Data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.