Mining Relevant Text Documents Using Ranking-Based k-NN Algorithms Trained by Only Positive Examples

HROZA, Jiří a Jan ŽIŽKA. Mining Relevant Text Documents Using Ranking-Based k-NN Algorithms Trained by Only Positive Examples. In Znalosti 2005, sborník příspěvků. 1. vyd. Ostrava: VŠB--Technická univerzita Ostrava, 2005, s. 29-40. ISBN 80-248-0755-6.

Základní 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 (203 Česká republika, garant) a Jan ŽIŽKA (203 Česká republika).
• Vydání: 1. vyd. Ostrava, Znalosti 2005, sborník příspěvků, od s. 29-40, 12 s. 2005.
• Nakladatel: VŠB--Technická univerzita Ostrava

Další údaje

• Originální 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: k-NN, ranking, text categorization

Anotace

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.

Anotace 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: Název: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Interakce člověka s počítačem, dialogové systémy a asistivní technologie