Огляд методів інтелектуального аналізу тексту

I. A. Karpov, S. V. Antonenko

Анотація


У даний час спостерігається дедалі більша тенденція у використанні комп’ютерів для того, щоб зберігати документи. Як результат, істотний обсяг даних зберігається в комп'ютерах у формі документів. Документи можуть бути представлені по-різному, наприклад, структуровані документи, частково структуровані документи і неструктуровані документи. Відновлення корисної інформації з величезного обсягу документів є дуже складним завданням. Інтелектуальний аналіз тексту є важливою областю дослідження, оскільки він намагається отримати знання з неструктурованого тексту. Ця стаття дає короткий огляд понять, додатків, проблем і інструментів, які використовуються для аналізу тексту.


Ключові слова


аналіз тексту; інформаційний пошук

Повний текст:

PDF

Посилання


Chang, Wui Lee; Tay, Kai Meng; Lim, Chee Peng. A New Evolving Tree-Based Model with Local Re-learning for Document Clustering and Visualization. Neural Processing Letters. 2017 46 (2). P. 379–409.

Paltoglou, Georgios; Thelwall, Mike. Twitter, MySpace, Digg: Unsupervised Sentiment Analysis in Social Media. ACM Transactions on Intelligent Systems and Technology (TIST). 2012 3 (4). P. 66.

Papanikolaou, Nikolas; Pavlopoulos, Georgios A.; Theodosiou, Theodosios; Iliopoulos, Ioannis. Protein–protein interaction predictions using text mining methods. Methods. 2015 74. P. 47–53.

Van Le D., Montgomery J. Kirkby KC, Scanlan J. Risk Prediction using Natural Language Processing of Electronic Mental Health Records in an Inpatient Forensic Psychiatry Setting. Journal of Biomedical Informatics. 2018 86. P. 49–58.

Renganathan, Vinaitheerthan. Text Mining in Biomedical Domain with Emphasis on Document Clustering. Healthcare Informatics Research. 2017. 23 (3). P. 141–146.

Ramiro H. Gálvez; Agustín Gravano. Assessing the usefulness of online message board mining in automatic stock prediction systems. Journal of Computational Science. 2017. 19. P. 1877–7503.

Erik Cambria; Robert Speer; Catherine Havasi; Amir Hussain. SenticNet: a Publicly Available Semantic Resource for Opinion Mining. Proceedings of AAAI CSK. 2010. P. 14–18.

Calvo R. A., d'Mello S. Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications. IEEE Transactions on Affective Computing. 2010. 1 (1). P. 18–37.

Shen, Jiaming; Xiao, Jinfeng; He, Xinwei; Shang, Jingbo; Sinha, Saurabh; Han, Jiawei. Entity Set Search of Scientific Literature: An Unsupervised Ranking Approach. ACM. 2018. P. 565–574.

Walter, Lothar; Radauer, Alfred; Moehrle, Martin G. The beauty of brimstone butterfly: novelty of patents identified by near environment analysis based on text mining. Scientometrics (en). 2017. 111 (1). P. 103–115.

Roll, Uri; Correia, Ricardo A.; Berger-Tal, Oded. Using machine learning to disentangle homonyms in large text corpora. Conservation Biology (en). 2018. 32 (3). P. 716–724.

Aggarwal C. C., Zhai C. Mining Text Data. Springer. 2012. 527 p.

Michael Abernethy. Data mining with WEKA / IBM developer Works, 2010. URL: https://www.ibm.com/developerworks/library/os-weka3/index.html


Посилання

  • Поки немає зовнішніх посилань.


Контактна інформація:

Байбуз Олег Григорович - відповідальний редактор 

Тел: (056) 766-49-52

Mail: obaybuz@ua.fm

Україна, 49010, м. Дніпро, пр. Гагаріна, 72

--------------------------------------------------------------------

Дніпровський національний університет імені Олеся Гончара

National Library of Ukraine Vernadsky

Google Scholar

Open Academic Journals Index

Bielefeld Academic Search Engine

Open Archives

  Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.


Open Science in Ukraine - website development