با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
دسته بندی:
اینترنت اشیاء - Internet of Things
سال انتشار:
2019
ترجمه فارسی عنوان مقاله:
استخراج خودکار اطلاعات کارشناس برای پایگاه دانش اینترنت اشیا
عنوان انگلیسی مقاله:
Expert Information Automatic Extraction for IOT Knowledge Base
منبع:
sciencedirect - elsevier - Procedia Computer Science 147 (2019) 288–294
نویسنده:
Lu Yi, Rao Yuan, Sun Long, Li Xue
چکیده انگلیسی:
With the rapid development of IOT technology, the requirement of effective and ccurate retrieval of domain knowledge i
g wing. Automatically extract vari us information of expert from the massive web pages and generate a dynamic and wholeness
profile model are important for knowledge base. However, the obvious differences in structure and content semantics of web
pages between any two websit s shows traditional web crawler ar hard to understand the semantic of the web pag and extract
th critical information of expert. Therefore, a six-dimension expert profile model w s ntroduced and then a sequence tagg ng
method with LSTM-CRF model was proposed to automatically extract rich semantic information basing on organization
structure, meaning of words and attributes of experts. The results of the experiment on test data sets illustrated that the precisio
rate and recall rate about the job experience and research field of experts are 67.8%, 66.6% and 82.4%, 79.6%, respectiv ly. In
addition, the overall average F value about some obvious features of expert, such as name, title, email, achievement, etc., reaches
82.5%, which is better than the results by MEMM and LSTM algorithms.
Keywords: Internet of Things | Expert profile model | Deep Learning | Sequence Tagging;
چکیده فارسی:
با توسعه سریع تکنولوژی IOT، نیاز به بازدهی موثر و دقیق دامنه دانش در حال افزایش است. استخراج خودکار اطلاعات کارشناس از صفحات عظیم وب و مدل نمایشی پویا و یکپارچه برای پایگاه دانش مهم است. با این حال، تفاوت های آشکار در ساختار و معناشناسی محتوا از صفحات وب بین هر دو وبسایت نشان می دهد که خزنده وب سنتی، معنای صفحه وب را درک نمی کند و اطلاعات بحرانی کارشناس را استخراج می کند. بنابراین، یک مدل نمایه حرفه ای شش بعدی معرفی شد و سپس یک روش برچسب گذاری توالی با مدل LSTM-CRF برای استخراج اتوماتیک اطلاعات غنی معنادار مبتنی بر ساختار سازمانی، معنی کلمات و ویژگی های متخصصان ارائه شد. نتایج آزمایش بر روی مجموعه داده های آزمایشی نشان داد که نرخ دقیق و فراخوان در مورد تجربه کار و زمینه تحقیق کارشناسان به ترتیب 67.8٪، 66.6٪ و 82.4٪ و 79.6٪ است. علاوه بر این، میانگین F در مورد برخی از ویژگی های مشخص متخصص مانند نام، عنوان، ایمیل، دستاورد و غیره، به 82.5٪ می رسد که بهتر از نتایج الگوریتم های MEMM و LSTM است.
کلمات کلیدی: اینترنت اشیا | مدل مشخصات کارشناس | یادگیری عمیق | برچسب زدن تکراری
حجم فایل: 205 کیلوبایت
قیمت: 54600 تومان
توضیحات اضافی:
تعداد نظرات : 0