-
Hölzig, C.: Google spürt Grippewellen auf : Die neue Anwendung ist bisher auf die USA beschränkt (2008)
0.03
0.02524287 = product of:
0.07572861 = sum of:
0.07572861 = sum of:
0.050290924 = weight(_text_:datenbanken in 2403) [ClassicSimilarity], result of:
0.050290924 = score(doc=2403,freq=2.0), product of:
0.23111258 = queryWeight, product of:
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.046937786 = queryNorm
0.21760356 = fieldWeight in 2403, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.03125 = fieldNorm(doc=2403)
0.025437687 = weight(_text_:22 in 2403) [ClassicSimilarity], result of:
0.025437687 = score(doc=2403,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.15476047 = fieldWeight in 2403, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=2403)
0.33333334 = coord(1/3)
- Content
- "Vor Google gibt es kein Entrinnen. Nun macht sich die größte Internetsuchmaschine daran, auch gefährliche Grippewellen in den USA vorauszusagen - und das schneller als die US-Gesundheitsbehörde. In den Regionen, in denen die Influenza grassiert, häufen sich erfahrungsgemäß auch die Online-Anfragen im Internet speziell zu diesem Thema. "Wir haben einen engen Zusammenhang feststellen können zwischen Personen, die nach themenbezogenen Informationen suchen, und Personen, die tatsächlich an der Grippe erkrankt sind", schreibt Google. Ein Webtool namens "Google Flu Trends" errechnet aus den Anfragen die Ausbreitung von Grippeviren. Auch wenn nicht jeder Nutzer erkrankt sei, spiegele die Zahl der Anfragen doch ziemlich genau die Entwicklung einer Grippewelle wider. Das belege ein Vergleich mit den Daten der US-Seuchenkontrollbehörde CDC, die in den meisten Fällen nahezu identisch seien. Die Internet-Suchmaschine könne anders als die Gesundheitsbehörde täglich auf aktuelle Daten zurückgreifen. Dadurch sei Google in der Lage, die Grippesaison ein bis zwei Wochen früher vorherzusagen. Und Zeit bedeutet Leben, wie Lyn Finelli sagt, Leiter der Abteilung Influenza der USSeuchenkontrollbehörde: "Je früher wir gewarnt werden, desto früher können wir handeln. Dies kann die Anzahl der Erkrankten erheblich minimieren." "Google Flu Trends" ist das erste Projekt, das Datenbanken einer Suchmaschine nutzt, um einen auftretenden Grippevirus zu lokalisieren - zurzeit nur in den USA, aber weltweite Prognosen wären ein folgerichtiger nächster Schritt. Philip M. Polgreen von der Universität von Iowa verspricht sich noch viel mehr: "Theoretisch können wir diese Flut an Informationen dazu nutzen, auch den Verlauf anderer Krankheiten besser zu studieren." Um das Grippe-Ausbreitungsmodell zu erstellen, hat Google mehrere hundert Milliarden Suchanfragen aus den vergangenen Jahren analysiert. Datenschützer haben den Internetgiganten bereits mehrfach als "datenschutzfeindlich" eingestuft. Die Anwender wüssten weder, was mit den gesammelten Daten passiere, noch wie lange gespeicherte Informationen verfügbar seien. Google versichert jedoch, dass "Flu Trends" die Privatsphäre wahre. Das Tool könne niemals dazu genutzt werden, einzelne Nutzer zu identifizieren, da wir bei der Erstellung der Statistiken lediglich anonyme Datenmaterialien nutzen. Die Muster, die wir in den Daten analysieren, ergeben erst in einem größeren Kontext Sinn." An einer echten Virus-Grippe - nicht zu verwechseln mit einer Erkältung - erkranken weltweit mehrere Millionen Menschen, mehr als 500 000 sterben daran."
- Date
- 3. 5.1997 8:44:22
-
Lischka, K.: Spurensuche im Datenwust : Data-Mining-Software fahndet nach kriminellen Mitarbeitern, guten Kunden - und bald vielleicht auch nach Terroristen (2002)
0.02
0.024139948 = product of:
0.072419845 = sum of:
0.072419845 = sum of:
0.05334158 = weight(_text_:datenbanken in 1178) [ClassicSimilarity], result of:
0.05334158 = score(doc=1178,freq=4.0), product of:
0.23111258 = queryWeight, product of:
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.046937786 = queryNorm
0.23080343 = fieldWeight in 1178, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.0234375 = fieldNorm(doc=1178)
0.019078264 = weight(_text_:22 in 1178) [ClassicSimilarity], result of:
0.019078264 = score(doc=1178,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.116070345 = fieldWeight in 1178, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0234375 = fieldNorm(doc=1178)
0.33333334 = coord(1/3)
- Content
- "Ob man als Terrorist einen Anschlag gegen die Vereinigten Staaten plant, als Kassierer Scheine aus der Kasse unterschlägt oder für bestimmte Produkte besonders gerne Geld ausgibt - einen Unterschied macht Data-Mining-Software da nicht. Solche Programme analysieren riesige Daten- mengen und fällen statistische Urteile. Mit diesen Methoden wollen nun die For- scher des "Information Awaren in den Vereinigten Staaten Spuren von Terroristen in den Datenbanken von Behörden und privaten Unternehmen wie Kreditkartenfirmen finden. 200 Millionen Dollar umfasst der Jahresetat für die verschiedenen Forschungsprojekte. Dass solche Software in der Praxis funktioniert, zeigen die steigenden Umsätze der Anbieter so genannter Customer-Relationship-Management-Software. Im vergangenen Jahr ist das Potenzial für analytische CRM-Anwendungen laut dem Marktforschungsinstitut IDC weltweit um 22 Prozent gewachsen, bis zum Jahr 2006 soll es in Deutschland mit einem jährlichen Plus von 14,1 Prozent so weitergehen. Und das trotz schwacher Konjunktur - oder gerade deswegen. Denn ähnlich wie Data-Mining der USRegierung helfen soll, Terroristen zu finden, entscheiden CRM-Programme heute, welche Kunden für eine Firma profitabel sind. Und welche es künftig sein werden, wie Manuela Schnaubelt, Sprecherin des CRM-Anbieters SAP, beschreibt: "Die Kundenbewertung ist ein zentraler Bestandteil des analytischen CRM. Sie ermöglicht es Unternehmen, sich auf die für sie wichtigen und richtigen Kunden zu fokussieren. Darüber hinaus können Firmen mit speziellen Scoring- Verfahren ermitteln, welche Kunden langfristig in welchem Maße zum Unternehmenserfolg beitragen." Die Folgen der Bewertungen sind für die Betroffenen nicht immer positiv: Attraktive Kunden profitieren von individuellen Sonderangeboten und besonderer Zuwendung. Andere hängen vielleicht so lauge in der Warteschleife des Telefonservice, bis die profitableren Kunden abgearbeitet sind. So könnte eine praktische Umsetzung dessen aussehen, was SAP-Spreche-rin Schnaubelt abstrakt beschreibt: "In vielen Unternehmen wird Kundenbewertung mit der klassischen ABC-Analyse durchgeführt, bei der Kunden anhand von Daten wie dem Umsatz kategorisiert werden. A-Kunden als besonders wichtige Kunden werden anders betreut als C-Kunden." Noch näher am geplanten Einsatz von Data-Mining zur Terroristenjagd ist eine Anwendung, die heute viele Firmen erfolgreich nutzen: Sie spüren betrügende Mitarbeiter auf. Werner Sülzer vom großen CRM-Anbieter NCR Teradata beschreibt die Möglichkeiten so: "Heute hinterlässt praktisch jeder Täter - ob Mitarbeiter, Kunde oder Lieferant - Datenspuren bei seinen wirtschaftskriminellen Handlungen. Es muss vorrangig darum gehen, einzelne Spuren zu Handlungsmustern und Täterprofilen zu verdichten. Das gelingt mittels zentraler Datenlager und hoch entwickelter Such- und Analyseinstrumente." Von konkreten Erfolgen sprich: Entlas-sungen krimineller Mitarbeiter-nach Einsatz solcher Programme erzählen Unternehmen nicht gerne. Matthias Wilke von der "Beratungsstelle für Technologiefolgen und Qualifizierung" (BTQ) der Gewerkschaft Verdi weiß von einem Fall 'aus der Schweiz. Dort setzt die Handelskette "Pick Pay" das Programm "Lord Lose Prevention" ein. Zwei Monate nach Einfüh-rung seien Unterschlagungen im Wert von etwa 200 000 Franken ermittelt worden. Das kostete mehr als 50 verdächtige Kassiererinnen und Kassierer den Job.
Jede Kasse schickt die Daten zu Stornos, Rückgaben, Korrekturen und dergleichen an eine zentrale Datenbank. Aus den Informationen errechnet das Programm Kassiererprofile. Wessen Arbeit stark Durchschnitt abweicht, macht sich verdächtig. Die Kriterien" legen im Einzelnen die Revisionsabteilungen fest, doch generell gilt: "Bei Auffälligkeiten wie überdurchschnittlichvielenStornierungen, Off nen der Kassenschublade ohne Verkauf nach einem Storno oder Warenrücknahmen ohne Kassenbon, können die Vorgänge nachträglich einzelnen Personen zugeordnet werden", sagt Rene Schiller, Marketing-Chef des Lord-Herstellers Logware. Ein Kündigungsgrund ist eine solche Datensammlung vor Gericht nicht. Doch auf der Basis können Unternehmen gezielt Detektive einsetzen. Oder sie konfrontieren die Mitarbeiter mit dem Material; woraufhin Schuldige meist gestehen. Wilke sieht Programme wie Lord kritisch:"Jeder, der in dem Raster auffällt, kann ein potenzieller Betrüger oder Dieb sein und verdient besondere Beobachtung." Dabei könne man vom Standard abweichen, weil man unausgeschlafen und deshalb unkonzentriert sei. Hier tut sich für Wilke die Gefahr technisierter Leistungskontrolle auf. "Es ist ja nicht schwierig, mit den Programmen zu berechnen, wie lange beispielsweise das Kassieren eines Samstagseinkaufs durchschnittlich dauert." Die Betriebsräte - ihre Zustimmung ist beim Einsatz technischer Kon trolleinrichtungen nötig - verurteilen die wertende Software weniger eindeutig. Im Gegenteil: Bei Kaufhof und Edeka haben sie dem Einsatz zugestimmt. Denn: "Die wollen ja nicht, dass ganze Abteilungen wegen Inventurverlusten oder dergleichen unter Generalverdacht fallen", erklärt Gewerkschaftler Wilke: "Angesichts der Leistungen kommerzieller Data-Mining-Programme verblüfft es, dass in den Vereinigten Staaten das "Information Awareness Office" noch drei Jahre für Forschung und Erprobung der eigenen Programme veranschlagt. 2005 sollen frühe Prototypen zur Terroristensuche einesgetz werden. Doch schon jetzt regt sich Protest. Datenschützer wie Marc Botenberg vom Informationszentrum für Daten schutz sprechen vom "ehrgeizigsten öffentlichen Überwachungssystem, das je vorgeschlagen wurde". Sie warnen besonders davor, Daten aus der Internetnutzung und private Mails auszuwerten. Das Verteidigungsministerium rudert zurück. Man denke nicht daran, über die Software im Inland aktiv zu werden. "Das werden die Geheimdienste, die Spionageabwehr und die Strafverfolger tun", sagt Unterstaatssekretär Edward Aldridge. Man werde während der Entwicklung und der Tests mit konstruierten und einigen - aus Sicht der Datenschützer unbedenklichen - realen Informationen arbeiten. Zu denken gibt jedoch Aldriges Antwort auf die Frage, warum so viel Geld für die Entwicklung von Übersetzungssoftware eingeplant ist: Damit man Datenbanken in anderen Sprachen nutzen könne - sofern man auf sie rechtmäßigen Zugriff bekommt."
-
Tiefschürfen in Datenbanken (2002)
0.02
0.023707367 = product of:
0.0711221 = sum of:
0.0711221 = product of:
0.1422442 = sum of:
0.1422442 = weight(_text_:datenbanken in 996) [ClassicSimilarity], result of:
0.1422442 = score(doc=996,freq=4.0), product of:
0.23111258 = queryWeight, product of:
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.046937786 = queryNorm
0.61547583 = fieldWeight in 996, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.0625 = fieldNorm(doc=996)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Abstract
- Ein Einkauf im Supermarkt, ein Telefongespräch, ein Klick im Internet: Die Spuren solcher Allerweltsaktionen häufen sich zu Datengebirgen ungeheuren Ausmaßes. Darin noch das Wesentlich - was immer das sein mag - zu finden, ist die Aufgabe des noch jungen Wissenschaftszweiges Data Mining, der mit offiziellem Namen "Wissensentdeckung in Datenbanken" heißt
-
Seidenfaden, U.: Schürfen in Datenbergen : Data-Mining soll möglichst viel Information zu Tage fördern (2001)
0.02
0.017964786 = product of:
0.053894356 = sum of:
0.053894356 = product of:
0.10778871 = sum of:
0.10778871 = weight(_text_:datenbanken in 6923) [ClassicSimilarity], result of:
0.10778871 = score(doc=6923,freq=12.0), product of:
0.23111258 = queryWeight, product of:
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.046937786 = queryNorm
0.4663905 = fieldWeight in 6923, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.02734375 = fieldNorm(doc=6923)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Content
- "Fast alles wird heute per Computer erfasst. Kaum einer überblickt noch die enormen Datenmengen, die sich in Unternehmen, Universitäten und Verwaltung ansammeln. Allein in den öffentlich zugänglichen Datenbanken der Genforscher fallen pro Woche rund 4,5 Gigabyte an neuer Information an. "Vom potentiellen Wissen in den Datenbanken wird bislang aber oft nur ein Teil genutzt", meint Stefan Wrobel vom Lehrstuhl für Wissensentdeckung und Maschinelles Lernen der Otto-von-Guericke-Universität in Magdeburg. Sein Doktorand Mark-Andre Krogel hat soeben mit einem neuen Verfahren zur Datenbankrecherche in San Francisco einen inoffiziellen Weltmeister-Titel in der Disziplin "Data-Mining" gewonnen. Dieser Daten-Bergbau arbeitet im Unterschied zur einfachen Datenbankabfrage, die sich einfacher statistischer Methoden bedient, zusätzlich mit künstlicher Intelligenz und Visualisierungsverfahren, um Querverbindungen zu finden. "Das erleichtert die Suche nach verborgenen Zusammenhängen im Datenmaterial ganz erheblich", so Wrobel. Die Wirtschaft setzt Data-Mining bereits ein, um das Kundenverhalten zu untersuchen und vorherzusagen. "Stellen sie sich ein Unternehmen mit einer breiten Produktpalette und einem großen Kundenstamm vor", erklärt Wrobel. "Es kann seinen Erfolg maximieren, wenn es Marketing-Post zielgerichtet an seine Kunden verschickt. Wer etwa gerade einen PC gekauft hat, ist womöglich auch an einem Drucker oder Scanner interessiert." In einigen Jahren könnte ein Analysemodul den Manager eines Unternehmens selbständig informieren, wenn ihm etwas Ungewöhnliches aufgefallen ist. Das muss nicht immer positiv für den Kunden sein. Data-Mining ließe sich auch verwenden, um die Lebensdauer von Geschäftsbeziehungen zu prognostizieren. Für Kunden mit geringen Kaufinteressen würden Reklamationen dann längere Bearbeitungszeiten nach sich ziehen. Im konkreten Projekt von Mark-Andre Krogel ging es um die Vorhersage von Protein-Funktionen. Proteine sind Eiweißmoleküle, die fast alle Stoffwechselvorgänge im menschlichen Körper steuern. Sie sind daher die primären Ziele von Wirkstoffen zur Behandlung von Erkrankungen. Das erklärt das große Interesse der Pharmaindustrie. Experimentelle Untersuchungen, die Aufschluss über die Aufgaben der über 100 000 Eiweißmoleküle im menschlichen Körper geben können, sind mit einem hohen Zeitaufwand verbunden. Die Forscher möchten deshalb die Zeit verkürzen, indem sie das vorhandene Datenmaterial mit Hilfe von Data-Mining auswerten. Aus der im Humangenomprojekt bereits entschlüsselten Abfolge der Erbgut-Bausteine lässt sich per Datenbankanalyse die Aneinanderreihung bestimmter Aminosäuren zu einem Protein vorhersagen. Andere Datenbanken wiederum enthalten Informationen, welche Struktur ein Protein mit einer bestimmten vorgegebenen Funktion haben könnte. Aus bereits bekannten Strukturelementen versuchen die Genforscher dann, auf die mögliche Funktion eines bislang noch unbekannten Eiweißmoleküls zu schließen.- Fakten Verschmelzen - Bei diesem theoretischen Ansatz kommt es darauf an, die in Datenbanken enthaltenen Informationen so zu verknüpfen, dass die Ergebnisse mit hoher Wahrscheinlichkeit mit der Realität übereinstimmen. "Im Rahmen des Wettbewerbs erhielten wir Tabellen als Vorgabe, in denen Gene und Chromosomen nach bestimmten Gesichtspunkten klassifiziert waren", erläutert Krogel. Von einigen Genen war bekannt, welche Proteine sie produzieren und welche Aufgabe diese Eiweißmoleküle besitzen. Diese Beispiele dienten dem von Krogel entwickelten Programm dann als Hilfe, für andere Gene vorherzusagen, welche Funktionen die von ihnen erzeugten Proteine haben. "Die Genauigkeit der Vorhersage lag bei den gestellten Aufgaben bei über 90 Prozent", stellt Krogel fest. Allerdings könne man in der Praxis nicht davon ausgehen, dass alle Informationen aus verschiedenen Datenbanken in einem einheitlichen Format vorliegen. Es gebe verschiedene Abfragesprachen der Datenbanken, und die Bezeichnungen von Eiweißmolekülen mit gleicher Aufgabe seien oftmals uneinheitlich. Die Magdeburger Informatiker arbeiten deshalb in der DFG-Forschergruppe "Informationsfusion" an Methoden, um die verschiedenen Datenquellen besser zu erschließen."
-
Chowdhury, G.G.: Template mining for information extraction from digital documents (1999)
0.01
0.014838651 = product of:
0.044515952 = sum of:
0.044515952 = product of:
0.089031905 = sum of:
0.089031905 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
0.089031905 = score(doc=4577,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.5416616 = fieldWeight in 4577, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.109375 = fieldNorm(doc=4577)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 2. 4.2000 18:01:22
-
Survey of text mining : clustering, classification, and retrieval (2004)
0.01
0.014817106 = product of:
0.044451315 = sum of:
0.044451315 = product of:
0.08890263 = sum of:
0.08890263 = weight(_text_:datenbanken in 804) [ClassicSimilarity], result of:
0.08890263 = score(doc=804,freq=4.0), product of:
0.23111258 = queryWeight, product of:
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.046937786 = queryNorm
0.3846724 = fieldWeight in 804, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.9238067 = idf(docFreq=873, maxDocs=44218)
0.0390625 = fieldNorm(doc=804)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Classification
- ST 270 Informatik / Monographien / Software und -entwicklung / Datenbanken, Datenbanksysteme, Data base management, Informationssysteme
- RVK
- ST 270 Informatik / Monographien / Software und -entwicklung / Datenbanken, Datenbanksysteme, Data base management, Informationssysteme
-
KDD : techniques and applications (1998)
0.01
0.012718843 = product of:
0.038156528 = sum of:
0.038156528 = product of:
0.076313056 = sum of:
0.076313056 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
0.076313056 = score(doc=6783,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.46428138 = fieldWeight in 6783, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.09375 = fieldNorm(doc=6783)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Footnote
- A special issue of selected papers from the Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD'97), held Singapore, 22-23 Feb 1997
-
Matson, L.D.; Bonski, D.J.: Do digital libraries need librarians? (1997)
0.01
0.008479229 = product of:
0.025437687 = sum of:
0.025437687 = product of:
0.050875373 = sum of:
0.050875373 = weight(_text_:22 in 1737) [ClassicSimilarity], result of:
0.050875373 = score(doc=1737,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.30952093 = fieldWeight in 1737, 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=1737)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 22.11.1998 18:57:22
-
Lusti, M.: Data Warehousing and Data Mining : Eine Einführung in entscheidungsunterstützende Systeme (1999)
0.01
0.008479229 = product of:
0.025437687 = sum of:
0.025437687 = product of:
0.050875373 = sum of:
0.050875373 = weight(_text_:22 in 4261) [ClassicSimilarity], result of:
0.050875373 = score(doc=4261,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.30952093 = fieldWeight in 4261, 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=4261)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 17. 7.2002 19:22:06
-
Amir, A.; Feldman, R.; Kashi, R.: ¬A new and versatile method for association generation (1997)
0.01
0.008479229 = product of:
0.025437687 = sum of:
0.025437687 = product of:
0.050875373 = sum of:
0.050875373 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
0.050875373 = score(doc=1270,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.30952093 = fieldWeight in 1270, 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=1270)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Source
- Information systems. 22(1997) nos.5/6, S.333-347
-
Hofstede, A.H.M. ter; Proper, H.A.; Van der Weide, T.P.: Exploiting fact verbalisation in conceptual information modelling (1997)
0.01
0.0074193254 = product of:
0.022257976 = sum of:
0.022257976 = product of:
0.044515952 = sum of:
0.044515952 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
0.044515952 = score(doc=2908,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.2708308 = fieldWeight in 2908, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0546875 = fieldNorm(doc=2908)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Source
- Information systems. 22(1997) nos.5/6, S.349-385
-
Lackes, R.; Tillmanns, C.: Data Mining für die Unternehmenspraxis : Entscheidungshilfen und Fallstudien mit führenden Softwarelösungen (2006)
0.01
0.0063594216 = product of:
0.019078264 = sum of:
0.019078264 = product of:
0.038156528 = sum of:
0.038156528 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
0.038156528 = score(doc=1383,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.23214069 = fieldWeight in 1383, 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=1383)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 22. 3.2008 14:46:06
-
Hallonsten, O.; Holmberg, D.: Analyzing structural stratification in the Swedish higher education system : data contextualization with policy-history analysis (2013)
0.01
0.005299519 = product of:
0.015898556 = sum of:
0.015898556 = product of:
0.03179711 = sum of:
0.03179711 = weight(_text_:22 in 668) [ClassicSimilarity], result of:
0.03179711 = score(doc=668,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.19345059 = fieldWeight in 668, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=668)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 22. 3.2013 19:43:01
-
Vaughan, L.; Chen, Y.: Data mining from web search queries : a comparison of Google trends and Baidu index (2015)
0.01
0.005299519 = product of:
0.015898556 = sum of:
0.015898556 = product of:
0.03179711 = sum of:
0.03179711 = weight(_text_:22 in 1605) [ClassicSimilarity], result of:
0.03179711 = score(doc=1605,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.19345059 = fieldWeight in 1605, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=1605)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Source
- Journal of the Association for Information Science and Technology. 66(2015) no.1, S.13-22
-
Fonseca, F.; Marcinkowski, M.; Davis, C.: Cyber-human systems of thought and understanding (2019)
0.01
0.005299519 = product of:
0.015898556 = sum of:
0.015898556 = product of:
0.03179711 = sum of:
0.03179711 = weight(_text_:22 in 5011) [ClassicSimilarity], result of:
0.03179711 = score(doc=5011,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.19345059 = fieldWeight in 5011, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=5011)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 7. 3.2019 16:32:22
-
Peters, G.; Gaese, V.: ¬Das DocCat-System in der Textdokumentation von G+J (2003)
0.00
0.0042396146 = product of:
0.012718843 = sum of:
0.012718843 = product of:
0.025437687 = sum of:
0.025437687 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
0.025437687 = score(doc=1507,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.15476047 = fieldWeight in 1507, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=1507)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 22. 4.2003 11:45:36
-
Jäger, L.: Von Big Data zu Big Brother (2018)
0.00
0.0042396146 = product of:
0.012718843 = sum of:
0.012718843 = product of:
0.025437687 = sum of:
0.025437687 = weight(_text_:22 in 5234) [ClassicSimilarity], result of:
0.025437687 = score(doc=5234,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.15476047 = fieldWeight in 5234, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=5234)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 22. 1.2018 11:33:49
-
Medien-Informationsmanagement : Archivarische, dokumentarische, betriebswirtschaftliche, rechtliche und Berufsbild-Aspekte ; [Frühjahrstagung der Fachgruppe 7 im Jahr 2000 in Weimar und Folgetagung 2001 in Köln] (2003)
0.00
0.0031797108 = product of:
0.009539132 = sum of:
0.009539132 = product of:
0.019078264 = sum of:
0.019078264 = weight(_text_:22 in 1833) [ClassicSimilarity], result of:
0.019078264 = score(doc=1833,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.116070345 = fieldWeight in 1833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0234375 = fieldNorm(doc=1833)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 11. 5.2008 19:49:22
-
Information visualization in data mining and knowledge discovery (2002)
0.00
0.0021198073 = product of:
0.0063594216 = sum of:
0.0063594216 = product of:
0.012718843 = sum of:
0.012718843 = weight(_text_:22 in 1789) [ClassicSimilarity], result of:
0.012718843 = score(doc=1789,freq=2.0), product of:
0.16436812 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046937786 = queryNorm
0.07738023 = fieldWeight in 1789, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.5 = coord(1/2)
0.33333334 = coord(1/3)
- Date
- 23. 3.2008 19:10:22
