Detailed Information on Publication Record
2005
First-order Frequent Patterns in Text Mining
BLAŤÁK, JanBasic information
Original name
First-order Frequent Patterns in Text Mining
Name in Czech
Prvořádové časté vzory v dolování v textu
Authors
BLAŤÁK, Jan (203 Czech Republic, guarantor)
Edition
1. vyd. Covilha, Portugal, EPIA'05, 12th Portuguese Conference on Artificial Intelligence, p. 344-350, 7 pp. 2005
Publisher
Institute of Electrical and Electronics Engineers, Inc.
Other information
Language
English
Type of outcome
Stať ve sborníku
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
Portugal
Confidentiality degree
není předmětem státního či obchodního tajemství
RIV identification code
RIV/00216224:14330/05:00014356
Organization unit
Faculty of Informatics
ISBN
0-7803-9365-1
UT WoS
000245387100063
Keywords in English
machine learning; first-order frequent patterns; text mining; distributed mining
Změněno: 27/4/2006 12:03, RNDr. Jan Blaťák, Ph.D.
V originále
In this paper a universal framework for mining long first-order frequent patterns in text data is presented. It consists of RAP, an ILP system for mining maximal first-order frequent patterns, and two types of redefined background knowledge. Two methods of using generated patterns for solving text mining tasks are described: propositionalization and CBA (class based association). A new variant of the CBA rule based classifier is proposed. The framework is used for solving three text mining tasks: information extraction from biomedical texts, context-sensitive text correction of English and morphological disambiguation of Czech. The distributed mining of frequent patterns is described and its influence on mining in text is discussed. It is shown that frequent patterns as new features for propositionalization usually provide better results than CBA.
In Czech
V tomto článku představíme nové univerzální rozhraní využívající prvořádové časté vzory pro řešení úloh dolování v textu. Sestává ze systému RAP, což je systém ILP určený pro hledání maximálních častých vzorů, a dvou typů doménové znalosti. Jsou popsány dvě metody využití nalezených vzorů pro dolování v textu: propozicionalizace a CBA. Je představena nová verze CBA klasifikátoru. Použití systému je demonstrováno na třech úlohách z dolování textu: extrakci informace z biologických textů, kontextové kontrole pravopisu a morfologické desambiguaci. Diskutujeme také přínos distribuovaného vyhledávání častých vzorů. Je ukázáno, že časté vzory použité jako nové rysy v propozicionalizaci poskytují lepší výsledky než CBA.
Links
| MSM0021622418, plan (intention) |
|