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
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
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
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
- Introducing a New Weight-Based Heuristic Clustering Method in Mobile Ad-Hoc Networks
- An efficient percolation-based method for influence maximization problem
- Coverage Optimization mechanism in Wireless Sensor Networks using Learning Automata and Greedy Algorithm
- A Greedy Routing Protocol for Improving Service Quality in Vehicular ad hoc Networks
- Co-authorship networks in the Data Governance research based on Web of Science between 2001-2020
مقالات فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.
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.