Search (5 results, page 1 of 1)

Did you mean:
object's%3a%22Latent semantic indexing%22 5
objects%3a%22Latent semantic indexing%22 5

Grün, S.: Mehrwortbegriffe und Latent Semantic Analysis : Bewertung automatisch extrahierter Mehrwortgruppen mit LSA (2017) 0.08
```
0.07519031 = product of:
  0.112785466 = sum of:
    0.08379196 = weight(_text_:semantic in 3954) [ClassicSimilarity], result of:
      0.08379196 = score(doc=3954,freq=6.0), product of:
        0.21061863 = queryWeight, product of:
          4.1578603 = idf(docFreq=1879, maxDocs=44218)
          0.050655533 = queryNorm
        0.39783734 = fieldWeight in 3954, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          4.1578603 = idf(docFreq=1879, maxDocs=44218)
          0.0390625 = fieldNorm(doc=3954)
    0.02899351 = product of:
      0.05798702 = sum of:
        0.05798702 = weight(_text_:indexing in 3954) [ClassicSimilarity], result of:
          0.05798702 = score(doc=3954,freq=4.0), product of:
            0.19390269 = queryWeight, product of:
              3.8278677 = idf(docFreq=2614, maxDocs=44218)
              0.050655533 = queryNorm
            0.29905218 = fieldWeight in 3954, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              3.8278677 = idf(docFreq=2614, maxDocs=44218)
              0.0390625 = fieldNorm(doc=3954)
      0.5 = coord(1/2)
  0.6666667 = coord(2/3)
```
Abstract

Die vorliegende Studie untersucht das Potenzial von Mehrwortbegriffen für das Information Retrieval. Zielsetzung der Arbeit ist es, intellektuell positiv bewertete Kandidaten mithilfe des Latent Semantic Analysis (LSA) Verfahren höher zu gewichten, als negativ bewertete Kandidaten. Die positiven Kandidaten sollen demnach bei einem Ranking im Information Retrieval bevorzugt werden. Als Kollektion wurde eine Version der sozialwissenschaftlichen GIRT-Datenbank (German Indexing and Retrieval Testdatabase) eingesetzt. Um Kandidaten für Mehrwortbegriffe zu identifizieren wurde die automatische Indexierung Lingo verwendet. Die notwendigen Kernfunktionalitäten waren Lemmatisierung, Identifizierung von Komposita, algorithmische Mehrworterkennung sowie Gewichtung von Indextermen durch das LSA-Modell. Die durch Lingo erkannten und LSAgewichteten Mehrwortkandidaten wurden evaluiert. Zuerst wurde dazu eine intellektuelle Auswahl von positiven und negativen Mehrwortkandidaten vorgenommen. Im zweiten Schritt der Evaluierung erfolgte die Berechnung der Ausbeute, um den Anteil der positiven Mehrwortkandidaten zu erhalten. Im letzten Schritt der Evaluierung wurde auf der Basis der R-Precision berechnet, wie viele positiv bewerteten Mehrwortkandidaten es an der Stelle k des Rankings geschafft haben. Die Ausbeute der positiven Mehrwortkandidaten lag bei durchschnittlich ca. 39%, während die R-Precision einen Durchschnittswert von 54% erzielte. Das LSA-Modell erzielt ein ambivalentes Ergebnis mit positiver Tendenz.

Object

Latent Semantic Indexing

Yusuff, A.: Automatisches Indexing and Abstracting : Grundlagen und Beispiele (2002) 0.02

0.019134741 = product of:
  0.057404224 = sum of:
    0.057404224 = product of:
      0.11480845 = sum of:
        0.11480845 = weight(_text_:indexing in 1577) [ClassicSimilarity], result of:
          0.11480845 = score(doc=1577,freq=2.0), product of:
            0.19390269 = queryWeight, product of:
              3.8278677 = idf(docFreq=2614, maxDocs=44218)
              0.050655533 = queryNorm
            0.5920931 = fieldWeight in 1577, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.8278677 = idf(docFreq=2614, maxDocs=44218)
              0.109375 = fieldNorm(doc=1577)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Carevic, Z.: Semi-automatische Verschlagwortung zur Integration externer semantischer Inhalte innerhalb einer medizinischen Kooperationsplattform (2012) 0.01
```
0.012900616 = product of:
  0.038701847 = sum of:
    0.038701847 = weight(_text_:semantic in 897) [ClassicSimilarity], result of:
      0.038701847 = score(doc=897,freq=2.0), product of:
        0.21061863 = queryWeight, product of:
          4.1578603 = idf(docFreq=1879, maxDocs=44218)
          0.050655533 = queryNorm
        0.18375319 = fieldWeight in 897, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.1578603 = idf(docFreq=1879, maxDocs=44218)
          0.03125 = fieldNorm(doc=897)
  0.33333334 = coord(1/3)
```
Abstract

Integration externer Inhalte Inwieweit kann die Nutzung einer einheitlichen Terminologie zwischen Anfragesystem und Wissensbasis den Prozess der Informationsbeschaffung unterstützen? Zu diesem Zweck wird in einer ersten Phase ermittelt welche Wissensbasen aus der medizinischen Domäne in der Linked Data Cloud zur Verfügung stehen. Aufbauend auf den Ergebnissen werden Informationen aus verschiedenen dezentralen Wissensbasen exemplarisch integriert. Der Fokus der Betrachtung liegt dabei auf der verwendeten Terminologie sowie der Nutzung von Semantic Web Technologien. Neben Informationen aus der Linked Data Cloud erfolgt eine Suche nach medizinischer Literatur in PubMed. Wie auch in der Linked Data Cloud erfolgt die Integration unter Verwendung einer einheitlichen Terminologie. Eine weitere Fragestellung ist, wie Informationen aus insgesamt 21. Mio Aufsatzzitaten in PubMed sinnvoll integriert werden können. Dabei wird ermittelt welche Mechanismen eingesetzt werden können um die Präzision der Ergebnisse zu optimieren. Eignung medizinischer Begriffssystem Welche medizinischen Begriffssysteme existieren und wie eignen sich diese als zugrungeliegendes Vokabular für die automatische Verschlagwortung und Integration semantischer Inhalte? Der Fokus liegt dabei speziell auf einer Bewertung der Reichhaltigkeit von Begriffssystemen, wobei insbesondere der Detaillierungsgrad von Interesse ist. Handelt es sich um ein spezifisches oder allgemeines Begriffssystem und eignet sich dieses auch dafür bestimmte Teilaspekte der Medizin, wie bspw. die Chirurige oder die Anästhesie, in einer ausreichenden Tiefe zu beschreiben?

Glaesener, L.: Automatisches Indexieren einer informationswissenschaftlichen Datenbank mit Mehrwortgruppen (2012) 0.01

0.009150834 = product of:
  0.0274525 = sum of:
    0.0274525 = product of:
      0.054905 = sum of:
        0.054905 = weight(_text_:22 in 401) [ClassicSimilarity], result of:
          0.054905 = score(doc=401,freq=2.0), product of:
            0.17738704 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.050655533 = queryNorm
            0.30952093 = fieldWeight in 401, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=401)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Date: 11. 9.2012 19:43:22

Lorenz, S.: Konzeption und prototypische Realisierung einer begriffsbasierten Texterschließung (2006) 0.01

0.0068631256 = product of:
  0.020589376 = sum of:
    0.020589376 = product of:
      0.04117875 = sum of:
        0.04117875 = weight(_text_:22 in 1746) [ClassicSimilarity], result of:
          0.04117875 = score(doc=1746,freq=2.0), product of:
            0.17738704 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.050655533 = queryNorm
            0.23214069 = fieldWeight in 1746, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=1746)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Date: 22. 3.2015 9:17:30

Search (5 results, page 1 of 1)

Authors

Years

Themes