دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Weili Wu, Hui Xiong, Shashi Shekhar (auth.) سری: Network Theory and Applications 11 ISBN (شابک) : 9781461379492, 9781461302278 ناشر: Springer US سال نشر: 2004 تعداد صفحات: 331 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 20 مگابایت
کلمات کلیدی مربوط به کتاب خوشه بندی و بازیابی اطلاعات: ساختارهای داده، رمز شناسی و نظریه اطلاعات، ذخیره و بازیابی اطلاعات، کاربردهای سیستم های اطلاعاتی (شامل اینترنت)، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Clustering and Information Retrieval به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب خوشه بندی و بازیابی اطلاعات نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
خوشهبندی یک تکنیک مهم برای کشف زیرمنطقهها یا فضاهای فرعی نسبتاً متراکم توزیع دادههای چند بعدی است. دسته بندی در بازیابی اطلاعات برای اهداف مختلفی مانند گسترش پرس و جو، گروه بندی اسناد، نمایه سازی اسناد و تجسم نتایج جستجو استفاده شده است. در این کتاب به مسائل الگوریتمهای خوشهبندی، روشهای ارزیابی، کاربردها و معماریهای بازیابی اطلاعات میپردازیم. دو فصل اول در مورد الگوریتم های خوشه بندی بحث می کنند. فصل از Baeza-Yates و همکاران. یک روش خوشه بندی را برای یک فضای متریک عمومی که یک مدل رایج از داده های مربوط به بازیابی اطلاعات است، توصیف می کند. فصل توسط Guha، Rastogi، و Shim یک بررسی و همچنین بحث مفصل در مورد دو الگوریتم خوشهبندی ارائه میکند: CURE و ROCK برای دادههای عددی و دادههای طبقهبندی. روش های ارزیابی در دو فصل بعدی مورد بررسی قرار می گیرند. ارتوز و همکاران نشان دادن استفاده از معیارهای بازیابی متن، مانند TRECS، برای ارزیابی الگوریتم های خوشه بندی. او و همکاران معیارهای عینی کیفیت خوشه بندی را در فصل خود ارائه می دهند. کاربرد روشهای خوشهبندی برای بازیابی اطلاعات در چهار فصل بعدی بررسی میشود. چو و همکاران و نوئل و همکاران انتخاب ویژگی را با استفاده از ریشه های کلمات، عبارات، و پیوندهای پیوند برای خوشه بندی و نمایه سازی اسناد کاوش کنید. ون و همکاران و سونگ و همکاران در مورد کاربردهای خوشه بندی در پرس و جوهای کاربر و پاکسازی داده ها بحث کنید. در نهایت، ما مشکل طراحی معماری برای بازیابی اطلاعات را در نظر می گیریم. کرایتون، هیوز و کلی در مورد توسعه یک معماری سیستم داده علمی برای بازیابی اطلاعات توضیح می دهند.
Clustering is an important technique for discovering relatively dense sub-regions or sub-spaces of a multi-dimension data distribution. Clus tering has been used in information retrieval for many different purposes, such as query expansion, document grouping, document indexing, and visualization of search results. In this book, we address issues of cluster ing algorithms, evaluation methodologies, applications, and architectures for information retrieval. The first two chapters discuss clustering algorithms. The chapter from Baeza-Yates et al. describes a clustering method for a general metric space which is a common model of data relevant to information retrieval. The chapter by Guha, Rastogi, and Shim presents a survey as well as detailed discussion of two clustering algorithms: CURE and ROCK for numeric data and categorical data respectively. Evaluation methodologies are addressed in the next two chapters. Ertoz et al. demonstrate the use of text retrieval benchmarks, such as TRECS, to evaluate clustering algorithms. He et al. provide objective measures of clustering quality in their chapter. Applications of clustering methods to information retrieval is ad dressed in the next four chapters. Chu et al. and Noel et al. explore feature selection using word stems, phrases, and link associations for document clustering and indexing. Wen et al. and Sung et al. discuss applications of clustering to user queries and data cleansing. Finally, we consider the problem of designing architectures for infor mation retrieval. Crichton, Hughes, and Kelly elaborate on the devel opment of a scientific data system architecture for information retrieval.
Front Matter....Pages i-viii
Clustering in Metric Spaces with Applications to Information Retrieval....Pages 1-33
Techniques for Clustering Massive Data Sets....Pages 35-82
Finding Topics in Collections of Documents: A Shared Nearest Neighbor Approach....Pages 83-103
On Quantitative Evaluation of Clustering Systems....Pages 105-133
Techniques for Textual Document Indexing and Retrieval via Knowledge Sources and Data Mining....Pages 135-159
Document Clustering, Visualization, and Retrieval via Link Mining....Pages 161-193
Query Clustering in the Web Context....Pages 195-225
Clustering Techniques for Large Database Cleansing....Pages 227-259
A Science Data System Architecture for Information Retrieval....Pages 261-298
Granular Computing for the Design of Information Retrieval Support Systems....Pages 299-329