مقاله پیش بینی کلمه کلیدی به وسیله ی ARM در اطلاعات کتابشناسی RDF

این فایل ترجمه فارسی مقاله زیر می باشد:

Keyword Prediction with ARM on Bibliographic RDF Data

دانلود رایگان مقاله انگلیسی

چکیده

وب 3.0 یک راه آسان برای استفاده از دانش عمیق از داده های بزرگ که به صورت روزانه در اینترنت رشد می کد فراهم می سازد. هدف ما در این مقاله کار با داده ی Linked Open Data Cloud می باشد، که در آن مشکل اصلی با مجموعه داده ناسازگاری و بزرگی می باشد. ما در حال بررسی اطلاعات کتابشناسی هستیم که یکی از داده های ابری می باشد. نویسندگان اطلاعات مفیدی در مجموعه داده پیدا کردند که باید برای قضاوت در بهبود نتیجه ی پرس و جو مورد بررسی قرار گیرد. پس از تجزیه و تحلیل ما متوجه شدیم که بسیاری از مقالات در RKBExplorer اطلاعات کلمه کلیدی ندارند. به همین دلیل موتور جستجو بر اساس RKBExplorer تنها قادر به استفاده از اطلاعات موجود در این پایگاه داده با بازیابی مقالات، نویسندگان آن مقاله و مقالات استنادی مربوط به نویسنده یا عنوان مقاله داده شده، می باشد. اما فرض این که در آن کاربر می خواهد وارد رشته مورد جستجو شود، در آن حالت نتیجه چه خواهد بود ؟ آیا همه مقالات مرتبط را حتی اگر کلمات کلیدی به آن اختصاص داده نشده باشد بازیابی  می کند؟ در این مقاله ما تلاش داریم به همه ی این سوالات ، با کمک الگوریتم داده کاوی ARM در ویژگی های بازیابی شده از داده های RDF پاسخ دهیم. ما یک رویکرد جدید را توسعه داده ایم که از طریق آن ما می توانیم پرس و جوی کاربر را که مخلوطی از رشته های مهم می یاشد ، که ما آنها را برچسب مقالات می نامیم، پاسخ دهیم.

توضیحات: فایل ترجمه به صورت word می باشد و دارای 11 صفحه است.

دانلود مقاله ISI یک تصمیم بالینی معماری سیستم پشتیبانی توزیع

موضوع فارسی :یک تصمیم بالینی معماری سیستم پشتیبانی توزیع

موضوع انگلیسی :<!--StartFragment -->

A distributed clinical decision support system architecture

تعداد صفحه :10

فرمت فایل :PDF

سال انتشار :2014

زبان مقاله : انگلیسی

چکیده: در این مقاله تصمیم گیری بالینی معماری سیستم پشتیبانی باز و توزیعی است. این معماری فنی طول می کشد استفاده از پرونده الکترونیک سلامت (EHR)، داده ها استخراج، پایگاه داده های بالینی، پایگاه های دانش متخصص دامنه، فن آوری های موجود و استانداردهای به ارائه پشتیبانی تصمیم گیری برای متخصصان مراقبت های بهداشتی. معماری در محیط های EHR توزیع که در آن هر بیمارستان EHR محلی خود را بسیار خوب کار خواهد کرد، و آن را رضایت فی ES سازگاری، قابلیت همکاری و مقیاس پذیری اهداف یک EHR. این سیستم همچنین یک مجموعه ای از پایگاه های دانش پراکنده می باشند. هر دانش خواهد شد در یک دامنه C خاص (به عنوان مثال، بیماری های قلبی) تخصصی، و مدل دستیابی به همکاری، ادغام و ایجاد قابلیت همکاری بین این پایگاه دانش است. علاوه بر این، مدل تضمین می کند که تمام پایگاه های دانش هستند تا به تاریخ با اتصال موتور داده کاوی به هر یک از پایه دانش محلی است. این موتور داده کاوی به طور مداوم پایگاه داده های EHR معدن برای استخراج دانش های اخیر، به آن استاندارد و به آن اضافه کنید به پایگاه دانش. این چارچوب است که انتظار می رود به منظور بهبود کیفیت مراقبت های بهداشتی، کاهش خطاهای پزشکی و تضمین ایمنی بیماران با کمک پزشکان به تصمیم گیری صحیح، دقیق، آگاه و به موقع.
ª 2013 تولید و میزبانی توسط الزویر B.V. به نمایندگی از دانشگاه ملک سعود.

روش های خوشه بندی در داده کاوی

خوشه بندی سلسله مراتبی تکنیکی است که در گروهبندی یا دسته بندی داده ها به کارمی رود. نقاط داده ها در این روش در  دسته ها و زیر دسته هایی بر اساس معیار شباهت قرار می گیرند.
در روش خوشه بندی سلسله مراتبی، به خوشه‌های نهایی بر اساس میزان عمومیت آنها  ساختاری سلسله‌ مراتبی، معمولا به صورت درختی نسبت داده می‌شود. به این درخت سلسله مراتبی دندوگرام (dendogram) می‌گویند. روش کار تکنیکهای خوشه‌بندی سلسله‌مراتبی معمولا بر اساس الگوریتمهای حریصانه (Greedy Algorithms) و بهینگی مرحله‌ای (stepwise-optimal) است. روشهای خوشه‌بندی بر اساس ساختار سلسله مراتبی تولیدی توسط آنها معمولا به دو دسته زیر تقسیم می‌شوند:
•    بالا به پایین (Top-Down) یا تقسیم کننده(Divisive)
•    پایین به بالا (Bottom-Up) یا متراکم شونده (Agglomerative)