ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Discovery of Potential Topics from Blog Articles by Machine Learning

سال انتشار: 1393
کد COI مقاله: JR_ACSIJ-4-2_010
زبان مقاله: انگلیسیمشاهد این مقاله: 216
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 7 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Discovery of Potential Topics from Blog Articles by Machine Learning

Yoshiaki YASUMURA - College of Engineering, Shibaura Institute of Technology, Japan Saitama City, Japan
Yuhei KOSAKA - Graduate School of System Informatics, Kobe University, Japan Kobe City, Japan
Hiroyoshi TAKAHASHI - Graduate School of System Informatics, Kobe University, Japan Kobe City, Japan
Kuniaki UEHARA - Graduate School of System Informatics, Kobe University, Japan Kobe City, Japan

چکیده مقاله:

This paper presents a method for potential topic discovery from blogsphere. We define a potential topic as an unpopular phrase that has potential to become a hot topic. To discover potentialtopics, this method builds a classifier to detect potentiality of a topic from topic frequency transitions in blog articles. First, thismethod extracts candidates of potential topics from categorized blog articles because categorization enables us to extractspecialists. To extract potential topics from the candidates, a classifier for detecting potential topics is built from topic frequency transition data. For this learning, we propose twotypes of learning methods: supervised learning and semisupervised learning. Though supervised learning provides moreprecise results, it requires enormous size of labeled data. Creating labeled data is costly and difficult. On the other hands, semi-supervised learning can build classifier from small size oflabeled data and a lot of unlabeled data. Experimental results with real blog data show the effectiveness of the proposed method

کلیدواژه ها:

Web Mining, Machine Learning, Blog

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/405193/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
YASUMURA, Yoshiaki و KOSAKA, Yuhei و TAKAHASHI, Hiroyoshi و UEHARA, Kuniaki,1393,Discovery of Potential Topics from Blog Articles by Machine Learning,,,,,https://civilica.com/doc/405193

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1393, YASUMURA, Yoshiaki؛ Yuhei KOSAKA و Hiroyoshi TAKAHASHI و Kuniaki UEHARA)
برای بار دوم به بعد: (1393, YASUMURA؛ KOSAKA و TAKAHASHI و UEHARA)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی