Textual Information Access: Statistical Models

ویرایش:  
 
سری:  
ISBN (شابک) : 9781848213227, 9781118562796 
ناشر: Wiley-ISTE 
سال نشر: 2012 
تعداد صفحات: 436 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 32,000



این کتاب مدل‌های آماری را ارائه می‌کند که اخیراً در چندین انجمن تحقیقاتی برای دسترسی به اطلاعات موجود در مجموعه‌های متنی ایجاد شده‌اند. مشکلات در نظر گرفته شده به برنامه های کاربردی با هدف تسهیل دسترسی به اطلاعات مرتبط است:
- استخراج و بازیابی اطلاعات؛
- طبقه بندی و خوشه بندی متن؛
- نظر کاوی؛
- کمک های درک مطلب (خودکار) خلاصه‌سازی، ترجمه ماشینی، تجسم).
برای ارائه توضیحات کامل به خواننده، تمرکز بر مدل‌های احتمال مورد استفاده در برنامه‌های مربوطه، با برجسته کردن رابطه بین مدل‌ها و برنامه‌ها و با نشان دادن است. رفتار هر مدل در مجموعه‌های واقعی.
دسترسی به اطلاعات متنی حول چهار موضوع سازماندهی شده است: مدل‌های بازیابی اطلاعات و رتبه‌بندی، طبقه‌بندی و خوشه‌بندی (لجستیک رگرسیون، روش‌های هسته، فیلدهای مارکوف و غیره)، چندزبانگی و ترجمه ماشینی، و برنامه های در حال ظهور مانند اکتشاف اطلاعات.

محتوا

بخش 1: بازیابی اطلاعات
1. مدل های احتمالی برای بازیابی اطلاعات، استفان کلینچانت و اریک گاوسیر.
2. مدل‌های رتبه‌بندی قابل یادگیری برای خلاصه‌سازی خودکار متن و بازیابی اطلاعات، مسیح رضا امینی، دیوید بوفونی، پاتریک گالیناری،

This book presents statistical models that have recently been developed within several research communities to access information contained in text collections. The problems considered are linked to applications aiming at facilitating information access:
- information extraction and retrieval;
- text classification and clustering;
- opinion mining;
- comprehension aids (automatic summarization, machine translation, visualization).
In order to give the reader as complete a description as possible, the focus is placed on the probability models used in the applications concerned, by highlighting the relationship between models and applications and by illustrating the behavior of each model on real collections.
Textual Information Access is organized around four themes: informational retrieval and ranking models, classification and clustering (regression logistics, kernel methods, Markov fields, etc.), multilingualism and machine translation, and emerging applications such as information exploration.

Contents

Part 1: Information Retrieval
1. Probabilistic Models for Information Retrieval, Stephane Clinchant and Eric Gaussier.
2. Learnable Ranking Models for Automatic Text Summarization and Information Retrieval, Massih-Reza Amini, David Buffoni, Patrick Gallinari,
 Tuong Vinh Truong and Nicolas Usunier.
Part 2: Classification and Clustering
3. Logistic Regression and Text Classification, Sujeevan Aseervatham, Eric Gaussier, Anestis Antoniadis,
 Michel Burlet and Yves Denneulin.
4. Kernel Methods for Textual Information Access, Jean-Michel Renders.
5. Topic-Based Generative Models for Text 
Information Access, Jean-Cedric Chappelier.
6. Conditional Random Fields for Information Extraction, Isabelle Tellier and Marc Tommasi.
Part 3: Multilingualism
7. Statistical Methods for Machine Translation, Alexandre Allauzen and Francois Yvon.
Part 4: Emerging Applications
8. Information Mining: Methods and Interfaces for Accessing Complex Information, Josiane Mothe, Kurt Englmeier and Fionn Murtagh.
9. Opinion Detection as a Topic Classification Problem, Juan-Manuel Torres-Moreno, Marc El-Beze, Patrice Bellot and
 Frederic Bechet.

Content:
Chapter 1 Probabilistic Models for Information Retrieval (pages 1–32):
Chapter 2 Learnable Ranking Models for Automatic Text Summarization and Information Retrieval (pages 33–58):
Chapter 3 Logistic Regression and Text Classification (pages 59–84):
Chapter 4 Kernel Methods for Textual Information Access (pages 85–127):
Chapter 5 Topic?based Generative Models for Text Information Access (pages 129–177):
Chapter 6 Conditional Random Fields for Information Extraction (pages 179–219):
Chapter 7 Statistical Methods for Machine Translation (pages 221–303):
Chapter 8 Information Mining (pages 305–336):
Chapter 9 Opinion Detection as a Topic Classification Problem (pages 337–368):