دانلود و نمایش مقالات مرتبط با منفی ها::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

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 - منفی ها

تعداد مقالات یافته شده: 2
ردیف عنوان نوع
1 Negation scope detection for sentiment analysis: A reinforcement learning framework for replicating human interpretations
تشخیص دامنه منفی برای تجزیه و تحلیل احساسات: یک چارچوب یادگیری تقویت کننده برای تکرار تفسیرهای انسانی-2020
Textual materials represent a rich source of information for improving the decision-making of people, businesses and organizations. However, for natural language processing (NLP), it is difficult to correctly infer the meaning of narrative content in the presence of negations. The reason is that negations can be formulated both explicitly (e.g., by negation words such as ‘‘not”) or implicitly (e.g., by expressions that invert meanings such as ‘‘forbid”) and that their use is further domain-specific. Hence, NLP requires a dynamic learning framework for detecting negations and, to this end, we develop a reinforcement learning framework for this task. Formally, our approach takes document-level labels (e.g., sentiment scores) as input and then learns a negation policy based on the document-level labels. In this sense, our approach replicates human perceptions as provided by the document-level labels and achieves a superior prediction performance. Furthermore, it benefits from weak supervision; meaning that the need for granular and thus expensive word-level annotations, as in prior literature, is replaced by document-level annotations. In addition, we propose an approach to interpretability: by evaluating the state-action table, we yield a novel form of statistical inference that allows us to test which linguistic cues act as negations.
Keywords: Unstructured data| Information processing | Decision-making | Natural language processing | Reinforcement learning | Negations
مقاله انگلیسی
2 استفاده از الگوریتم های داده کاوی برای توسعه مدلی برای سیستم های تشخیص نفوذ (IDS)
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 12
یک مشکل مشترک در IDS کنونی نرخ بالای مثبت کاذب و نرخ شناسایی پایین است. یک یادگیری ماشینی بدون نظارت با استفاده از K ابزار برای ارائه ی مدلی برای سیستم های تشخیص نفوذ (IDS) با نرخ بهره وری بالاتر و مثبت های کاذب کمتر و منفی های کاذب مورد استفاده قرار گرفت. مجموعه ی داده ی NSL-KD که شامل 25192 ورودی با 22 نوع مختلف داده بود مورد استفاده قرار گرفت. نتایج این مطالعه با استفاده از 11، 22، 44، 66 و 88 خوشه به ترتیب نرخ بازده ی 70.75٪، 81.61٪، 65.40٪، 61.30٪ و 55.43% را نشان داد. نرخ مثبت کاذب به ترتیب 0.74٪، 4.03٪، 15.55٪، 21.47٪ و 31.91٪ و نرخ منفی کاذب 99.82٪، 98.14٪، 97.76٪، 96.32٪ و 95.70٪ بود. جالب است که بهترین نتایج زمانی بدست آمد که تعداد خوشه ها منطبق با تعداد انواع داده در مجموعه ی داده بود. در پرتو یافته ها، توصیه می شود که سایر تکنیک های داده کاوی مورد بررسی قرار بگیرد. یک مطالعه با استفاده از الگوریتم داده کاوی K ابزار و سپس رویکرد مبتنی بر امضا برای کاهش نرخ منفی کاذب پیشنهاد شد. همچنین سیستمی برای شناسایی خودکار تعداد خوشه ها ممکن است توسعه پیدا کند.
کلمات کلیدی: داده کاوی | خوشه بندی | یادگیری ماشین | یادگیری بدون نظارت | K-means
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 4917 :::::::: بازدید دیروز: 3097 :::::::: بازدید کل: 39184 :::::::: افراد آنلاین: 41