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
دسته بندی: سیستم های اطلاعاتی ویرایش: نویسندگان: Marie-Francine Moens سری: ISBN (شابک) : 9781402049873, 9781402049934 ناشر: Springer Netherlands سال نشر: 2006 تعداد صفحات: 255 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Information Extraction: Algorithms and Prospects in a Retrieval Context 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 استخراج اطلاعات: الگوریتم ها و چشم اندازها در یک زمینه بازیابی 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.
استخراج اطلاعات به فرآیندهای ساختاردهی و ترکیب محتوایی مربوط می شود که به صراحت در یک یا چند منبع اطلاعاتی بدون ساختار بیان شده یا ضمنی بیان شده است. این شامل یک طبقه بندی معنایی و پیوند دادن قطعات خاصی از اطلاعات است و به عنوان شکل سبکی از درک محتوا توسط ماشین در نظر گرفته می شود. در حال حاضر، به دلیل تقاضای فزاینده برای موتورهای جستجو که پاسخ های دقیقی را به پرس و جوهای اطلاعاتی انعطاف پذیر ارائه می دهند، علاقه قابل توجهی به یکپارچه سازی نتایج استخراج اطلاعات در سیستم های بازیابی وجود دارد. مدلهای بازیابی پیشرفته این نیاز را برآورده میکنند و بر ابزارهایی تکیه میکنند که به طور خودکار یک مدل احتمالی از محتوای یک سند (چند رسانهای) ایجاد میکنند.
این کتاب بر روی تشخیص محتوا در متن تمرکز دارد. این الگوریتمهای موفق گذشته و فعلی و کاربرد آنها در حوزههای مختلف (مانند فیلتر کردن اخبار، استخراج متن زیستپزشکی، جمعآوری اطلاعات، هوش رقابتی، جستجوی اطلاعات حقوقی، و پردازش متن غیررسمی) را توضیح میدهد. بخش مهمی در مورد الگوریتم های آماری و یادگیری ماشینی فعلی برای تشخیص و طبقه بندی اطلاعات بحث می کند و نتایج آنها را در مدل های بازیابی احتمالی ادغام می کند. این کتاب همچنین تعدادی ایده برای درک پیشرفته و ترکیب محتوای متنی را نشان می دهد.
این کتاب برای محققان و توسعه دهندگان نرم افزار علاقه مند به استخراج و بازیابی اطلاعات است، اما بسیاری از تصاویر و نمونه های دنیای واقعی باعث می شود همچنین به عنوان یک کتاب راهنما برای دانش آموزان مناسب است.
Information extraction regards the processes of structuring and combining content that is explicitly stated or implied in one or multiple unstructured information sources. It involves a semantic classification and linking of certain pieces of information and is considered as a light form of content understanding by the machine. Currently, there is a considerable interest in integrating the results of information extraction in retrieval systems, because of the growing demand for search engines that return precise answers to flexible information queries. Advanced retrieval models satisfy that need and they rely on tools that automatically build a probabilistic model of the content of a (multi-media) document.
The book focuses on content recognition in text. It elaborates on the past and current most successful algorithms and their application in a variety of domains (e.g., news filtering, mining of biomedical text, intelligence gathering, competitive intelligence, legal information searching, and processing of informal text). An important part discusses current statistical and machine learning algorithms for information detection and classification and integrates their results in probabilistic retrieval models. The book also reveals a number of ideas towards an advanced understanding and synthesis of textual content.
The book is aimed at researchers and software developers interested in information extraction and retrieval, but the many illustrations and real world examples make it also suitable as a handbook for students.
Front Matter....Pages i-xiii
Information Extraction and Information Technology....Pages 1-22
Information Extraction from an Historical Perspective....Pages 23-45
The Symbolic Techniques....Pages 47-64
Pattern Recognition....Pages 65-88
Supervised Classification....Pages 89-125
Unsupervised Classification Aids....Pages 127-150
Integration of Information Extraction in Retrieval Models....Pages 151-178
Evaluation of Information Extraction Technologies....Pages 179-197
Case Studies....Pages 199-223
The Future of Information Extraction in a Retrieval Context....Pages 225-242
Back Matter....Pages 243-246