ارائه روشی برای محاسبهی میزان مثبت کاذب و منفی کاذب در روشLSH به منظور یافتن اسناد مشابه
محل انتشار: همایش ملی پژوهش های کاربردی در علوم و مهندسی
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,295
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TIAU01_174
تاریخ نمایه سازی: 14 شهریور 1393
چکیده مقاله:
یکی از مسائل بنیادی در داده کاوی، بررسی داده ها برای یافتن عناصر مشابه میباشد. برای نمونه در این زمینه میتوان به بررسی مجموعه ای از اسناد مختلف برای پیدا کردن موارد نزدیک به هم و تکراری اشاره نمود. مسئله پیدا کردن اسناد مشابه را میتوان به یک مسئله بر پایه ی مجموعه تبدیل کرد که این کار در قالب روشShinglingانجام می-گیرد. همچنین در ادامه میتوان مجموعه های بزرگ حاصل را به صورتی فشرده نمود که باز هم بتوان تشابه مجموعه-های اصلی را از نسخه های فشرده شده ی آنها، تشخیص داد که این کار در روشMinhashingانجام میشود. درادامه اگر بخواهیم از مقایسه تمامی اسناد با یکدیگر پرهیز کنیم و فقط اسناد با احتمال بالاتر را با یکدیگر مقایسه کنیم باید از روشLSH برای رسیدن به این هدف استفاده نماییم. در این روش امکان ایجاد مثبت کاذب و منفی کاذب وجود دارد. ما در این مقاله رابطه هایی برای محاسبه ی مثبت کاذب و منفی کاذب در این روش ارائه کردیم. به کمک این رابطه ها میتوان پارامترهای روشLSHرا به گونه ای انتخاب نمود که میزان مثبت کاذب و منفی کاذب را کنترل کرد. در واقع هدف اصلی مقاله ایجاد راهکاری برای کاهش مقادیر مثبت کاذب یا منفی کاذب می باشد.
کلیدواژه ها:
نویسندگان
حسین ازگومی
رشته کامپیوتر گرایش نرمافزار، دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد شبستر، مربی آموزشیار دانشگاه علم و فرهنگ رشت
علی مهجور
رشته کامپیوتر گرایش نرمافزار، دکتری تخصصی دانشگاه صنعتی شریف، استادیار دانشگاه آزاد اسلامی
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :