تجزیه لات کارآمد با سیستم مبتنی بر قانون Vamstar

  1. چکیده و مقدمه

  2. دامنه و وظیفه

    2.1. منابع داده و پیچیدگی

    2.2. تعریف وظیفه

  3. کار مرتبط

    3.1. بررسی اجمالی تحقیق متن کاوی و NLP

    3.2. متن کاوی و NLP در استفاده در صنعت

    3.3. متن کاوی و NLP برای تهیه

    3.4. نتیجه گیری از بررسی ادبیات

  4. روش پیشنهادی

    4.1. دانش دامنه

    4.2. استخراج محتوا

    4.3. منطقه بندی لات

    4.4. تشخیص آیتم لات

    4.5. تجزیه فراوان

    4.6. تجزیه XML، پیوستن به داده ها، و توسعه شاخص های ریسک

  5. آزمایش و نمایش

    5.1. ارزیابی مولفه

    5.2. نمایش سیستم

  6. بحث

    6.1. تمرکز “صنعت” پروژه

    6.2. ناهمگونی داده ها، ماهیت چند زبانه و چند وظیفه ای

    6.3. معضل انتخاب های الگوریتمی

    6.4. هزینه داده های آموزشی

  7. نتیجه گیری، قدردانی و مراجع

4.5. تجزیه فراوان

هدف این مؤلفه این است که جملات (شامل جملات تبدیل شده از ردیف‌های جدول) را که به عنوان حاوی ارجاعات/موارد زیادی (جملات مثبت) طبقه‌بندی شده‌اند، و تجزیه آنها برای ایجاد یک نمایش ساختاریافته از لات/موارد مانند آنچه در شکل 6 نشان داده شده است، بگیرد. در این فرآیند دو کار وجود دارد: 1) تعیین مرزهای لات ها و ارجاعات لات، زیرا مراحل قبلی فقط یک ردیف جمله/جدول را به عنوان طبقه بندی می کند. اگر حاوی اطلاعات زیادی باشد؛ 2) از یک …

Source link