Search (38 results, page 2 of 2)

0.002930285 = product of:
  0.04102399 = sum of:
    0.04102399 = weight(_text_:media in 4097) [ClassicSimilarity], result of:
      0.04102399 = score(doc=4097,freq=2.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.31049973 = fieldWeight in 4097, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.046875 = fieldNorm(doc=4097)
  0.071428575 = coord(1/14)

Abstract

A challenge of managing and extracting useful knowledge from social media data sources has attracted much attention from academic and industry. To address this challenge, semantic analysis of textual data is focused in this paper. We propose an ontology-based approach to extract semantics of textual data and define the domain of data. In other words, we semantically analyse the social data at two levels i.e. the entity level and the domain level. We have chosen Twitter as a social channel challenge for a purpose of concept proof. Domain knowledge is captured in ontologies which are then used to enrich the semantics of tweets provided with specific semantic conceptual representation of entities that appear in the tweets. Case studies are used to demonstrate this approach. We experiment and evaluate our proposed approach with a public dataset collected from Twitter and from the politics domain. The ontology-based approach leverages entity extraction and concept mappings in terms of quantity and accuracy of concept identification.

0.0024419043 = product of:
  0.034186658 = sum of:
    0.034186658 = weight(_text_:media in 804) [ClassicSimilarity], result of:
      0.034186658 = score(doc=804,freq=2.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.25874978 = fieldWeight in 804, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.0390625 = fieldNorm(doc=804)
  0.071428575 = coord(1/14)

Abstract

Extracting content from text continues to be an important research problem for information processing and management. Approaches to capture the semantics of text-based document collections may be based on Bayesian models, probability theory, vector space models, statistical models, or even graph theory. As the volume of digitized textual media continues to grow, so does the need for designing robust, scalable indexing and search strategies (software) to meet a variety of user needs. Knowledge extraction or creation from text requires systematic yet reliable processing that can be codified and adapted for changing needs and environments. This book will draw upon experts in both academia and industry to recommend practical approaches to the purification, indexing, and mining of textual information. It will address document identification, clustering and categorizing documents, cleaning text, and visualizing semantic models of text.

0.0024419043 = product of:
  0.034186658 = sum of:
    0.034186658 = weight(_text_:media in 4019) [ClassicSimilarity], result of:
      0.034186658 = score(doc=4019,freq=2.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.25874978 = fieldWeight in 4019, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4019)
  0.071428575 = coord(1/14)

Abstract

What is text mining, and how can it be used? What relevance do these methods have to everyday work in information science and the digital humanities? How does one develop competences in text mining? Working with Text provides a series of cross-disciplinary perspectives on text mining and its applications. As text mining raises legal and ethical issues, the legal background of text mining and the responsibilities of the engineer are discussed in this book. Chapters provide an introduction to the use of the popular GATE text mining package with data drawn from social media, the use of text mining to support semantic search, the development of an authority system to support content tagging, and recent techniques in automatic language evaluation. Focused studies describe text mining on historical texts, automated indexing using constrained vocabularies, and the use of natural language processing to explore the climate science literature. Interviews are included that offer a glimpse into the real-life experience of working within commercial and academic text mining.

0.00201718 = product of:
  0.028240517 = sum of:
    0.028240517 = weight(_text_:daten in 3154) [ClassicSimilarity], result of:
      0.028240517 = score(doc=3154,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.21034539 = fieldWeight in 3154, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.03125 = fieldNorm(doc=3154)
  0.071428575 = coord(1/14)

Abstract

Web Mining - ein Schlagwort, das mit der Verbreitung des Internets immer öfter zu lesen und zu hören ist. Die gegenwärtige Forschung beschäftigt sich aber eher mit dem Nutzungsverhalten der Internetnutzer, und ein Blick in Tagungsprogramme einschlägiger Konferenzen (z.B. GOR - German Online Research) zeigt, dass die Analyse der Inhalte kaum Thema ist. Auf der GOR wurden 1999 zwei Vorträge zu diesem Thema gehalten, auf der Folgekonferenz 2001 kein einziger. Web Mining ist der Oberbegriff für zwei Typen von Web Mining: Web Usage Mining und Web Content Mining. Unter Web Usage Mining versteht man das Analysieren von Daten, wie sie bei der Nutzung des WWW anfallen und von den Servern protokolliert wenden. Man kann ermitteln, welche Seiten wie oft aufgerufen wurden, wie lange auf den Seiten verweilt wurde und vieles andere mehr. Beim Web Content Mining wird der Inhalt der Webseiten untersucht, der nicht nur Text, sondern auf Bilder, Video- und Audioinhalte enthalten kann. Die Software für die Analyse von Webseiten ist in den Grundzügen vorhanden, doch müssen die meisten Webseiten für die entsprechende Analysesoftware erst aufbereitet werden. Zuerst müssen die relevanten Websites ermittelt werden, die die gesuchten Inhalte enthalten. Das geschieht meist mit Suchmaschinen, von denen es mittlerweile Hunderte gibt. Allerdings kann man nicht davon ausgehen, dass die Suchmaschinen alle existierende Webseiten erfassen. Das ist unmöglich, denn durch das schnelle Wachstum des Internets kommen täglich Tausende von Webseiten hinzu, und bereits bestehende ändern sich der werden gelöscht. Oft weiß man auch nicht, wie die Suchmaschinen arbeiten, denn das gehört zu den Geschäftsgeheimnissen der Betreiber. Man muss also davon ausgehen, dass die Suchmaschinen nicht alle relevanten Websites finden (können). Der nächste Schritt ist das Herunterladen der Websites, dafür gibt es Software, die unter den Bezeichnungen OfflineReader oder Webspider zu finden ist. Das Ziel dieser Programme ist, die Website in einer Form herunterzuladen, die es erlaubt, die Website offline zu betrachten. Die Struktur der Website wird in der Regel beibehalten. Wer die Inhalte einer Website analysieren will, muss also alle Dateien mit seiner Analysesoftware verarbeiten können. Software für Inhaltsanalyse geht davon aus, dass nur Textinformationen in einer einzigen Datei verarbeitet werden. QDA Software (qualitative data analysis) verarbeitet dagegen auch Audiound Videoinhalte sowie internetspezifische Kommunikation wie z.B. Chats.

0.0019535234 = product of:
  0.027349325 = sum of:
    0.027349325 = weight(_text_:media in 362) [ClassicSimilarity], result of:
      0.027349325 = score(doc=362,freq=2.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.20699982 = fieldWeight in 362, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.03125 = fieldNorm(doc=362)
  0.071428575 = coord(1/14)

Content

Inhalt: An Introduction to Text Mining.- Information Extraction from Text.- A Survey of Text Summarization Techniques.- A Survey of Text Clustering Algorithms.- Dimensionality Reduction and Topic Modeling.- A Survey of Text Classification Algorithms.- Transfer Learning for Text Mining.- Probabilistic Models for Text Mining.- Mining Text Streams.- Translingual Mining from Text Data.- Text Mining in Multimedia.- Text Analytics in Social Media.- A Survey of Opinion Mining and Sentiment Analysis.- Biomedical Text Mining: A Survey of Recent Progress.- Index.

0.0019108946 = product of:
  0.026752524 = sum of:
    0.026752524 = product of:
      0.05350505 = sum of:
        0.05350505 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
          0.05350505 = score(doc=4577,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

2. 4.2000 18:01:22

0.0017650324 = product of:
  0.024710452 = sum of:
    0.024710452 = weight(_text_:daten in 6923) [ClassicSimilarity], result of:
      0.024710452 = score(doc=6923,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.18405221 = fieldWeight in 6923, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02734375 = fieldNorm(doc=6923)
  0.071428575 = coord(1/14)

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."

0.0016379097 = product of:
  0.022930734 = sum of:
    0.022930734 = product of:
      0.045861468 = sum of:
        0.045861468 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
          0.045861468 = score(doc=6783,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

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

0.0010919397 = product of:
  0.015287156 = sum of:
    0.015287156 = product of:
      0.030574312 = sum of:
        0.030574312 = weight(_text_:22 in 1737) [ClassicSimilarity], result of:
          0.030574312 = score(doc=1737,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

22.11.1998 18:57:22

0.0010919397 = product of:
  0.015287156 = sum of:
    0.015287156 = product of:
      0.030574312 = sum of:
        0.030574312 = weight(_text_:22 in 4261) [ClassicSimilarity], result of:
          0.030574312 = score(doc=4261,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

17. 7.2002 19:22:06

0.0010919397 = product of:
  0.015287156 = sum of:
    0.015287156 = product of:
      0.030574312 = sum of:
        0.030574312 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
          0.030574312 = score(doc=1270,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Source

Information systems. 22(1997) nos.5/6, S.333-347

9.554473E-4 = product of:
  0.013376262 = sum of:
    0.013376262 = product of:
      0.026752524 = sum of:
        0.026752524 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
          0.026752524 = score(doc=2908,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Source

Information systems. 22(1997) nos.5/6, S.349-385

8.1895484E-4 = product of:
  0.011465367 = sum of:
    0.011465367 = product of:
      0.022930734 = sum of:
        0.022930734 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
          0.022930734 = score(doc=1383,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

22. 3.2008 14:46:06

6.8246236E-4 = product of:
  0.009554473 = sum of:
    0.009554473 = product of:
      0.019108946 = sum of:
        0.019108946 = weight(_text_:22 in 668) [ClassicSimilarity], result of:
          0.019108946 = score(doc=668,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

22. 3.2013 19:43:01

6.8246236E-4 = product of:
  0.009554473 = sum of:
    0.009554473 = product of:
      0.019108946 = sum of:
        0.019108946 = weight(_text_:22 in 1605) [ClassicSimilarity], result of:
          0.019108946 = score(doc=1605,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Source

Journal of the Association for Information Science and Technology. 66(2015) no.1, S.13-22

6.8246236E-4 = product of:
  0.009554473 = sum of:
    0.009554473 = product of:
      0.019108946 = sum of:
        0.019108946 = weight(_text_:22 in 5011) [ClassicSimilarity], result of:
          0.019108946 = score(doc=5011,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

7. 3.2019 16:32:22

5.459699E-4 = product of:
  0.007643578 = sum of:
    0.007643578 = product of:
      0.015287156 = sum of:
        0.015287156 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
          0.015287156 = score(doc=1507,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

22. 4.2003 11:45:36

2.7298494E-4 = product of:
  0.003821789 = sum of:
    0.003821789 = product of:
      0.007643578 = sum of:
        0.007643578 = weight(_text_:22 in 1789) [ClassicSimilarity], result of:
          0.007643578 = score(doc=1789,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = 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)
  0.071428575 = coord(1/14)

Date

23. 3.2008 19:10:22