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: نویسندگان: Donald H. Kraft, Erin Colvin سری: Synthesis Lectures on Information Concepts, Retrieval, and Services ISBN (شابک) : 9781627059565 ناشر: Morgan & Claypool سال نشر: 2017 تعداد صفحات: 66 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 403 کیلوبایت
در صورت تبدیل فایل کتاب Fuzzy 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 بازیابی اطلاعات فازی 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.
بازیابی اطلاعات به معنای جستجوی هزاران رشته متن برای یافتن کلمات یا نمادهایی بود که با درخواست کاربر مطابقت داشت. امروزه مدلهای زیادی وجود دارند که به فهرستبندی و جستجوی مؤثرتر کمک میکنند، بنابراین بازیابی زمان بسیار کمتری میبرد. بازیابی اطلاعات (IR) اغلب به عنوان یک زیر شاخه از علوم کامپیوتر دیده می شود و برخی از مدل سازی ها، برنامه ها، برنامه های کاربردی ذخیره سازی و تکنیک ها را به اشتراک می گذارد، مانند سایر رشته ها مانند هوش مصنوعی، مدیریت پایگاه داده و محاسبات موازی. این کتاب به معرفی مبحث IR و تفاوت آن با سایر رشته های علوم کامپیوتر می پردازد. بحثی در مورد تاریخچه IR مدرن به اختصار ارائه شده است و نماد IR همانطور که در این کتاب استفاده شده است تعریف شده است. نماد پیچیده ارتباط مورد بحث قرار گرفته است. برخی از کاربردهای IR نیز مورد توجه قرار گرفته است زیرا IR امروزه کاربردهای عملی زیادی دارد. استفاده از بازیابی اطلاعات با منطق فازی برای جستجوی عبارات نرم افزار می تواند به یافتن اجزای نرم افزار کمک کند و در نهایت به افزایش استفاده مجدد از نرم افزار کمک کند. این تنها یک کاربرد عملی IR است که در این کتاب به آن پرداخته شده است. برخی از مدلهای کلاسیک IR به عنوان تضاد با بسط مدل بولی ارائه میشوند. این شامل ذکر مختصری از منبع وزن برای مدل های مختلف است. در یک محیط بازیابی معمولی، پاسخ ها یا بله یا خیر هستند، یعنی روشن یا خاموش هستند. از سوی دیگر، منطق فازی می تواند یک تطابق "درجه" را در مقابل یک تطابق واضح، به عنوان مثال، به ارمغان بیاورد. این نیز با جزئیات بسیار مورد بررسی و کاوش قرار می گیرد و نشان می دهد که چگونه می توان آن را برای بازیابی اطلاعات اعمال کرد. منطق فازی اغلب اوقات به عنوان یک برنامه محاسباتی نرم در نظر گرفته می شود و این کتاب به بررسی این موضوع می پردازد که چگونه IR با منطق فازی و عملکردهای عضویت آن به عنوان وزن می تواند به نمایه سازی، پرس و جو و تطبیق کمک کند. از آنجایی که تئوری و منطق مجموعه فازی در سیستمهای IR مورد بررسی قرار میگیرد، توضیح محل فاز در پی میآید. مفهوم بازخورد مربوط، از جمله بازخورد شبه مرتبط برای مدلهای مختلف IR بررسی شده است. برای مدل بولی توسعهیافته، استفاده از الگوریتمهای ژنتیک برای بازخورد مربوطه به کاوش در میآید. مفهوم بسط پرس و جو با استفاده از نظریه مجموعه های خشن بررسی می شود. روابط اصطلاحات مختلفی مدلسازی و ارائه میشود و مدل برای بازیابی فازی گسترش مییابد. یک مثال با استفاده از شرایط UMLS نیز ارائه شده است. این مدل همچنین برای روابط اصطلاحی فراتر از مترادف ها گسترش یافته است. در نهایت، این کتاب به خوشه بندی، هم واضح و هم مبهم، نگاه می کند تا ببیند چگونه می تواند عملکرد بازیابی را بهبود بخشد. یک مثال برای نشان دادن مفاهیم ارائه شده است.
Information retrieval used to mean looking through thousands of strings of texts to find words or symbols that matched a user's query. Today, there are many models that help index and search more effectively so retrieval takes a lot less time. Information retrieval (IR) is often seen as a subfield of computer science and shares some modeling, applications, storage applications and techniques, as do other disciplines like artificial intelligence, database management, and parallel computing. This book introduces the topic of IR and how it differs from other computer science disciplines. A discussion of the history of modern IR is briefly presented, and the notation of IR as used in this book is defined. The complex notation of relevance is discussed. Some applications of IR is noted as well since IR has many practical uses today. Using information retrieval with fuzzy logic to search for software terms can help find software components and ultimately help increase the reuse of software. This is just one practical application of IR that is covered in this book. Some of the classical models of IR is presented as a contrast to extending the Boolean model. This includes a brief mention of the source of weights for the various models. In a typical retrieval environment, answers are either yes or no, i.e., on or off. On the other hand, fuzzy logic can bring in a "degree of" match, vs. a crisp, i.e., strict match. This, too, is looked at and explored in much detail, showing how it can be applied to information retrieval. Fuzzy logic is often times considered a soft computing application and this book explores how IR with fuzzy logic and its membership functions as weights can help indexing, querying, and matching. Since fuzzy set theory and logic is explored in IR systems, the explanation of where the fuzz is ensues. The concept of relevance feedback, including pseudorelevance feedback is explored for the various models of IR. For the extended Boolean model, the use of genetic algorithms for relevance feedback is delved into. The concept of query expansion is explored using rough set theory. Various term relationships is modeled and presented, and the model extended for fuzzy retrieval. An example using the UMLS terms is also presented. The model is also extended for term relationships beyond synonyms. Finally, this book looks at clustering, both crisp and fuzzy, to see how that can improve retrieval performance. An example is presented to illustrate the concepts.