دانلود و نمایش مقالات مرتبط با Tf-idf::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2

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). 

نتیجه جستجو - Tf-idf

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 Do adjective features from user reviews address sparsity and transparency in recommender systems?
آیا ویژگی های وصفی حاصل از بازدیدهای کاربر بیانگر پراکندگی و شفافیت در سیستمهای توصیه گر می باشد؟-2018
Recommender systems have become increasingly essential in many domains for alleviating the problem of information overload, but existing recommendation techniques suffer from data sparsity and transparency issues. In this paper, we show that the adjective features embedded in user reviews can be used by the recommendation techniques to address the sparsity and transparency problems. We extend the standard frequency-inverse document frequency (TF-IDF) term weighting scheme by introducing nearest neighbors frequency (NNF) to automatically extract high-quality adjective features from user reviews, and incorporate the extracted adjective features into a specific recommendation technique to show effectiveness. The results of experiments conducted on real-world datasets show that the integrated method reduced the prediction errors of the state-of-the-art rating-based method by 19.5% in extremely sparse settings. When compared with the state-of-the-art tag-based method, the proposed method reduced the prediction errors by 11.3%, and increased the interest similarity in similar user identification by 7.1%.
keywords: Adjective features |Recommender systems |Side information |Sparsity |Transparency |User reviews
مقاله انگلیسی
2 Mining Social Media Data for Understanding Students Learning Experiences using Memetic algorithm
کاوش داده های رسانه های اجتماعی برای درک تجربیات یادگیری دانش آموزان با استفاده از الگوریتم Memetic-2018
Now a day’s most of students communicate with each other using various social media networks such as Twitter, Facebook, YouTube and what’s app. Students shares their opinions, concerns and emotions about the learning process. From these social sites there are large size of unstructured data are generated which consists students important data. To manage this unstructured data are too difficult task, so we use various techniques to solve this problem. In this paper we collect all Engineering students communication from twitter to analyse various problems like heavy study load, negative emotions, lack of social engagement and sleepy problems. Students’ comments from twitter are classified into various above problem using Naïve Bayes algorithm. Also we used various algorithms for processing data like stemming, TF-IDF algorithm and cosine similarity. This paper shows that how students share their opinions through twitter and which comments are in which category. Using Memetic algorithm we got the more accurate results.
Keywords: Education;problems; computers and education; social networkin; web text analysis
مقاله انگلیسی
3 مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 23 - تعداد صفحات فایل doc فارسی: 44
سیستم های بازیابی اطلاعات عموما به منظور یافتن اسنادی به کار برده می شوند که به صورت بسیار مناسب از سوی کاربران به صورتی پویا به وجود می آیند. در این مقاله یک مدل جدید بازیابی اطلاعات بر اساس سند فازی (FDIRM ), به منظور دستیابی به هدف پیش بینی شاخص بازار سهام پیشنهاد شده است. نوآوری مربوط به روش پیشنهادی یک طرح نمره دهی اصلاح شده ی tf-idf برای پیش بینی روند آینده ی مربوط به شاخص بورس سهام به کار برده می شود. سهم این مقاله در رابطه با این قضیه از دو جهت قابل بررسی است: 1) در سیستم پیشنهادی , سری زمانی ساده به سری زمانی منطقی فازی غنی شده به همراه یک رویکرد منحصر به فرد از ترکیب احساسات مرتبط با اطلاعات با در نظر گرفتن قیمت تبدیل می شود. 2) یک روش منحصر به فرد زمانی دنبال می شود که با استفاده از مدل سازی سیستم بازیابی اطلاعات ( IR ) یک سیستم ساده ی IR را به سیستم پیش بینی کننده تبدیل می نماید. همچنین مقا یسه ی کارایی FDIRM به همراه مدل استاندارد معیار صورت می پذیرد.مدل استاندارد معیار به اثبات این قضیه می پردازد که وجود مدل پیشنهادی به منظور تبدیل شدن به یک مدل پیشنهادی خوب ضروری است.
داده های بازار سرمایه به وسیله ی شاخص نزولی استاندارد و فقیر 50 (شاخص 50- CNX NIFTY ) بورس اوراق بهادار ملی هندوستان (NSE ) فراهم گشته است که برای آزمایش و تعیین اعتبار مدل پیشنهادی به کار برده می شوند. داده ی معتبر به منظور اعتبار سنجی و آزمایش از طریق سایت gttp://www.nseindia.com که یک وب سایت رسمی مربوط به NSE می باشد به دست می آید. یک برنامه ی جاوا به منظور اجرای مدل در زمان واقعی به همراه رابط کاربری گرافیکی ساخته می شود.
کلید واژه ها: شمعدان ژاپنی | منطق فازی | Tf-idt | پیش بینی | داده کاوی | بازیابی اطلاعات
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 8167 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 8167 :::::::: افراد آنلاین: 71