Survey of Text Mining II: Clustering, Classification, and Retrieval

تکثیر دستگاه‌های محاسباتی دیجیتال و استفاده از آنها در ارتباطات منجر به افزایش تقاضا برای سیستم‌ها و الگوریتم‌هایی شده است که قادر به استخراج داده‌های متنی هستند. بنابراین، توسعه تکنیک‌هایی برای استخراج داده‌های متنی بدون ساختار، نیمه‌ساختارمند و کاملاً ساختاریافته به طور فزاینده‌ای در دانشگاه و صنعت اهمیت پیدا کرده است.

این جلد دوم به بررسی زمینه در حال تکامل متن کاوی ادامه می‌دهد - استفاده از تکنیک‌های یادگیری ماشین، در ارتباط با پردازش زبان طبیعی، استخراج اطلاعات و رویکردهای جبری/ریاضی، برای بازیابی اطلاعات محاسباتی. مسائل مختلف متعددی از توسعه رویکردهای یادگیری جدید گرفته تا الگوریتم‌های خوشه‌بندی اسناد جدید، که مجموعاً چندین حوزه اصلی در متن کاوی را در بر می‌گیرد، مورد توجه قرار گرفته است.

ویژگی‌ها:

• به عنوان یک معیار مهم در توسعه رویکردهای فعلی و آینده برای استخراج اطلاعات متنی عمل می کند

• به عنوان یک متن همراه عالی برای دوره های متن و داده کاوی، بازیابی اطلاعات و آمار محاسباتی عمل می کند. P>

• کارشناسان دانشگاه و صنعت تجربیات خود را در حل مشکلات بازیابی و طبقه بندی در مقیاس بزرگ به اشتراک می گذارند

• مروری بر روش ها و نرم افزارهای فعلی برای متن کاوی ارائه می کند

• سوالات تحقیقاتی باز را در دسته بندی اسناد و خوشه بندی، و تشخیص روند برجسته می کند

• مشکلات کاربردی جدید را در زمینه هایی مانند نظارت ایمیل و تشخیص ناهنجاری توصیف می کند

بررسی متن Mining II انتخاب گسترده‌ای در الگوریتم‌ها و نرم‌افزارهای پیشرفته برای متن‌کاوی از منظر دانشگاهی و صنعتی ارائه می‌دهد تا علاقه و بینش را نسبت به وضعیت این رشته ایجاد کند. این کتاب منبعی ضروری برای محققان، پزشکان و متخصصان درگیر در بازیابی اطلاعات، آمار محاسباتی و داده کاوی خواهد بود.

Michael W. Berry، استاد گروه مهندسی برق و علوم کامپیوتر در دانشگاه تنسی، ناکسویل.

مالو کاستلانوس یک محقق ارشد در آزمایشگاه هیولت پاکارد در پالو آلتو، کالیفرنیا است.

The proliferation of digital computing devices and their use in communication has resulted in an increased demand for systems and algorithms capable of mining textual data. Thus, the development of techniques for mining unstructured, semi-structured, and fully-structured textual data has become increasingly important in both academia and industry.

This second volume continues to survey the evolving field of text mining - the application of techniques of machine learning, in conjunction with natural language processing, information extraction and algebraic/mathematical approaches, to computational information retrieval. Numerous diverse issues are addressed, ranging from the development of new learning approaches to novel document clustering algorithms, collectively spanning several major topic areas in text mining.

Features:

• Acts as an important benchmark in the development of current and future approaches to mining textual information

• Serves as an excellent companion text for courses in text and data mining, information retrieval and computational statistics

• Experts from academia and industry share their experiences in solving large-scale retrieval and classification problems

• Presents an overview of current methods and software for text mining

• Highlights open research questions in document categorization and clustering, and trend detection

• Describes new application problems in areas such as email surveillance and anomaly detection

Survey of Text Mining II offers a broad selection in state-of-the art algorithms and software for text mining from both academic and industrial perspectives, to generate interest and insight into the state of the field. This book will be an indispensable resource for researchers, practitioners, and professionals involved in information retrieval, computational statistics, and data mining.

Michael W. Berry is a professor in the Department of Electrical Engineering and Computer Science at the University of Tennessee, Knoxville.

Malu Castellanos is a senior researcher at Hewlett-Packard Laboratories in Palo Alto, California.