چگونه یادگیری ماشینی به شناسایی موارد لات در اسناد مناقصه کمک می کند

جدول پیوندها

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

5. آزمایش و نمایش

در این بخش، ارزیابی برخی از اجزای بالا را ارائه می‌کنیم و بخشی از سیستم نهایی را نشان می‌دهیم.

5.1. ارزیابی مولفه

در اینجا، ارزیابی‌هایی از منطقه‌بندی و تشخیص آیتم لات ارائه می‌کنیم، که کارشناسان دامنه ما توانستند استاندارد طلایی را برای ساخت و ارزیابی مدل ایجاد کنند. در هر دو کار، ما از طبقه بندی متن استفاده می کنیم و سه الگوریتم یادگیری ماشین را مقایسه می کنیم: SVM خطی، رگرسیون لجستیک (LR) و جنگل تصادفی (RF).