Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Adaptive text-data clustering by the semi-supervised learning

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43110%2F09%3A00147093" target="_blank" >RIV/62156489:43110/09:00147093 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Adaptive text-data clustering by the semi-supervised learning

  • Popis výsledku v původním jazyce

    Many current real-world applications as, for example, Internet e-commerce, have to deal with huge volumes of predominantly textual data. The data include hidden information like potential categories of similar customers, suppliers, producers, etc. Thesecategories usually can change during the time. The paper discusses the possibilities of looking for clusters that represent individual classes. One of the main problems is the standard clustering methods give often unsatisfying results by unsupervised-learning methods. However, having very small initial subsets of good examples, the clustering can dramatically improve its results, providing much better clusters applicable to categorizing in the future. This method is known as the semi-supervised learning (SSL) from a limited number of examples. In the paper, some results of applying the SSL method to real-world unlabeled data instances are demonstrated and compared with selected traditional clustering algorithms. Using labeled examples

  • Název v anglickém jazyce

    Adaptive text-data clustering by the semi-supervised learning

  • Popis výsledku anglicky

    Many current real-world applications as, for example, Internet e-commerce, have to deal with huge volumes of predominantly textual data. The data include hidden information like potential categories of similar customers, suppliers, producers, etc. Thesecategories usually can change during the time. The paper discusses the possibilities of looking for clusters that represent individual classes. One of the main problems is the standard clustering methods give often unsatisfying results by unsupervised-learning methods. However, having very small initial subsets of good examples, the clustering can dramatically improve its results, providing much better clusters applicable to categorizing in the future. This method is known as the semi-supervised learning (SSL) from a limited number of examples. In the paper, some results of applying the SSL method to real-world unlabeled data instances are demonstrated and compared with selected traditional clustering algorithms. Using labeled examples

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2009

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    ASIS 2009 -- Adaptívne siete v informačných systémoch

  • ISBN

    978-80-8094-593-0

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

  • Název nakladatele

    Nitra

  • Místo vydání

    Univerzita Konštantína Filozofa v Nitre

  • Místo konání akce

    Nitra

  • Datum konání akce

    1. 1. 2009

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku