ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Statistical Language Models for Information Retrieval

دانلود کتاب مدل های آماری زبان برای بازیابی اطلاعات

Statistical Language Models for Information Retrieval

مشخصات کتاب

Statistical Language Models for Information Retrieval

دسته بندی: زبانشناسی
ویرایش:  
نویسندگان:   
سری: Synthesis Lectures on Human Language Technologies   Volume 0 
ISBN (شابک) : 159829590X, 9781598295900 
ناشر: Morgan and Claypool Publishers 
سال نشر: 2008 
تعداد صفحات: 141 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 773 کیلوبایت

قیمت کتاب (تومان) : 70,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Statistical Language Models for 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 مدل های آماری زبان برای 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.


توضیحاتی در مورد کتاب مدل های آماری زبان برای بازیابی اطلاعات

با رشد چشمگیر اطلاعات آنلاین، موتورهای جستجو مانند گوگل نقش مهمی را در زندگی ما ایفا می کنند. برای همه موتورهای جستجو، مشکل طراحی یک مدل بازیابی موثر است که بتواند اسناد را به طور دقیق برای یک پرس و جو داده شده رتبه بندی کند. این یک مشکل اصلی تحقیقاتی در بازیابی اطلاعات برای چندین دهه بوده است. در ده سال گذشته، نسل جدیدی از مدل‌های بازیابی، که اغلب به عنوان مدل‌های زبان آماری شناخته می‌شوند، با موفقیت برای حل بسیاری از مسائل مختلف بازیابی اطلاعات به کار گرفته شده‌اند. در مقایسه با مدل‌های سنتی مانند مدل فضای برداری، این مدل‌های جدید پایه آماری صحیح‌تری دارند و می‌توانند از تخمین آماری برای بهینه‌سازی پارامترهای بازیابی استفاده کنند. آنها همچنین می توانند به راحتی برای مدل سازی مشکلات بازیابی غیر سنتی و پیچیده تطبیق داده شوند. از نظر تجربی، آنها تمایل دارند به عملکرد قابل مقایسه یا بهتری نسبت به یک مدل سنتی با تلاش کمتر برای تنظیم پارامتر دست یابند. این کتاب به طور سیستماتیک حجم وسیعی از ادبیات را در مورد استفاده از مدل‌های زبان آماری برای بازیابی اطلاعات با تأکید بر اصول اساسی، مدل‌های زبانی تجربی مؤثر، و مدل‌های زبانی که برای کارهای بازیابی غیرسنتی ایجاد شده‌اند، مرور می‌کند. تمام ادبیات مربوطه ترکیب شده است تا خواننده بتواند پیشرفت تحقیقاتی را که تاکنون به دست آمده است هضم کند و مرزهای تحقیق در این زمینه را ببیند. این کتاب همچنین به پزشکان مقدمه‌ای آموزنده درباره مجموعه‌ای از مدل‌های زبانی کاربردی ارائه می‌دهد که می‌توانند به طور مؤثر انواع مشکلات بازیابی را حل کنند. هیچ دانش قبلی در مورد بازیابی اطلاعات مورد نیاز نیست، اما برخی دانش اولیه در مورد احتمال و آمار برای هضم کامل تمام جزئیات مفید خواهد بود. فهرست مطالب: مقدمه / مروری بر مدل های بازیابی اطلاعات / مدل بازیابی پرس و جوی ساده / مدل احتمال پرس و جوی احتمالی / مدل های احتمالی بازیابی فاصله / مدل های زبانی برای وظایف خاص بازیابی / مدل های زبانی برای تجزیه و تحلیل موضوع پنهان / نتیجه گیری


توضیحاتی درمورد کتاب به خارجی

As online information grows dramatically, search engines such as Google are playing a more and more important role in our lives. Critical to all search engines is the problem of designing an effective retrieval model that can rank documents accurately for a given query. This has been a central research problem in information retrieval for several decades. In the past ten years, a new generation of retrieval models, often referred to as statistical language models, has been successfully applied to solve many different information retrieval problems. Compared with the traditional models such as the vector space model, these new models have a more sound statistical foundation and can leverage statistical estimation to optimize retrieval parameters. They can also be more easily adapted to model non-traditional and complex retrieval problems. Empirically, they tend to achieve comparable or better performance than a traditional model with less effort on parameter tuning. This book systematically reviews the large body of literature on applying statistical language models to information retrieval with an emphasis on the underlying principles, empirically effective language models, and language models developed for non-traditional retrieval tasks. All the relevant literature has been synthesized to make it easy for a reader to digest the research progress achieved so far and see the frontier of research in this area. The book also offers practitioners an informative introduction to a set of practically useful language models that can effectively solve a variety of retrieval problems. No prior knowledge about information retrieval is required, but some basic knowledge about probability and statistics would be useful for fully digesting all the details. Table of Contents: Introduction / Overview of Information Retrieval Models / Simple Query Likelihood Retrieval Model / Complex Query Likelihood Model / Probabilistic Distance Retrieval Model / Language Models for Special Retrieval Tasks / Language Models for Latent Topic Analysis / Conclusions



فهرست مطالب

Synthesis Lectures on Human Language Technologies
Contents
Preface
Introduction
	Basic Concepts in Information Retrieval
	Statistical Language Models
Overview of Information Retrieval Models
	Similarity-Based Models
	Probabilistic Relevance Models
	Probabilistic Inference Models
	Axiomatic Retrieval Framework
	Decision-Theoretic Retrieval Framework
	Summary
Simple Query Likelihood Retrieval Model
	Basic Idea
	Event Models for D
		Multinomial D
		Multiple Bernoulli D
		Multiple Poisson D
		Comparison of the Three Models
	Estimation of D
		A General Smoothing Strategy using Collection Language Model
		Jelinek-Mercer Smoothing (Fixed Coefficient Interpolation)
		Dirichlet Prior Smoothing
		Absolute Discounting Smoothing
		Interpolation vs. Backoff
		Other Smoothing Methods
		Comparison of Different Smoothing Methods
	Smoothing and TF-IDF Weighting
	Two-Stage Smoothing
	Exploit Document Prior
	Summary
Complex Query Likelihood Retrieval Model
	Document-Specific Smoothing of D
		Cluster-Based Smoothing
		Document Expansion
	Beyond Unigram Models
	Parsimonious Language Models
	Full Bayesian Query Likelihood
	Translation Model
	Summary
Probabilistic Distance Retrieval Model
	Difficulty in Supporting Feedback with Query Likelihood
	Kullback-Leibler Divergence Retrieval Model
	Estimation of Query Models
		Model-Based Feedback
		Markov Chain Query Model Estimation
		Relevance Model
		Structured Query Models
	Negative Relevance Feedback
	Summary
Language Models for Special Retrieval Tasks
	Cross-Lingual Information Retrieval
	Distributed Information Retrieval
	Structured Document Retrieval and Combining Representations
	Personalized and Context-Sensitive Search
	Expert Finding
	Passage Retrieval
	Subtopic Retrieval
	Other Retrieval-Related Tasks
		Modeling Redundancy and Novelty
		Predicting Query Difficulty
	Summary
Language Models for Latent Topic Analysis
	Probabilistic Latent Semantic Analysis (PLSA)
	Latent Dirichlet Allocation (LDA)
	Extensions of PLSA and LDA
	Topic Model Labeling
	Using Topic Models for Retrieval
	Summary
Conclusions
	Language Models vs. Traditional Retrieval Models
	Summary of Research Progress
	Future Directions
Bibliography




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد