2005
Mining Relevant Text Documents Using Ranking-Based k-NN Algorithms Trained by Only Positive Examples
HROZA, Jiří a Jan ŽIŽKAZákladní údaje
Originální název
Mining Relevant Text Documents Using Ranking-Based k-NN Algorithms Trained by Only Positive Examples
Název česky
Dolování relevantních textových dokumentů algoritmem k-NN trénovaným pouze pomocí pozitivních příkladů
Autoři
HROZA, Jiří a Jan ŽIŽKA
Vydání
1. vyd. Ostrava, Znalosti 2005, sborník příspěvků, od s. 29-40, 12 s. 2005
Nakladatel
VŠB--Technická univerzita Ostrava
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14330/05:00013631
Organizační jednotka
Fakulta informatiky
ISBN
80-248-0755-6
Klíčová slova anglicky
ranking; text categorization; k-NN
Štítky
Změněno: 2. 3. 2005 14:30, RNDr. Jiří Hroza
V originále
The problem of mining relevant information from large numbers of unstructured text documents is often handled with various machine learning algorithms trained using both positive and negative examples that were prepared by an expert in a~given specific domain. However, when just positive examples are available, the task requires algorithms adapted to the different situation. A~modified k-nearest neighbors algorithm, trained using only positive examples, can classify by way of ranking unlabeled instances depending on their similarity to training examples. This procedure provides a~significant part of unlabeled positive instances with high precision. The main objective is to find a~method for mining relevant documents from large volumes (hundreds or thousands) of similar medical text files. Experiments and comparisons with various real data obtained from several Internet resources and represented as a bag of words provided---under specific conditions---quite acceptable results from the precision-recall point of view.
Česky
Problém dolování relevantních informací z velkého množství nestrukturovaných textů je často řešen pomocí metod strojového učení, které jsou trénovány na pozitivních i negativních příkladech připravených expertem dané oblasti. Avšak pokud jsou k dispozici pouze pozitivní příklady, je třeba tyto algoritmy modifikovat. Metoda k-NN modifikovaná pro učení se pouze z pozitivních příkladů umožňuje klasifikovat neznámé dokumenty formou seřazení na základě jejich podobnosti. Tímto způsobem je možné získat dostatek relevantních dokumentů s velmi vysokou přesností. Hlavním cílem bylo nalézt metodu umožňující dolovat relevantní dokumenty z velkého množství (stovek či tísíců) podobných lékařských textů. Experimenty s reálnými datovými sadami poskytují -- za daných podmínek -- přijatelné výsledky z pohledu závislosti přesnosti na pokrytí.
Návaznosti
| MSM 143300003, záměr |
|