Алгоритми ієрархічної кластеризації для великих колекцій документів

Simple item page
dc.citation.epage72
dc.citation.issue522 : Комп’ютерні системи проектування. Теорія і практика
dc.citation.journalTitleВісник Національного університету “Львівська політехніка”
dc.citation.spage68
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.authorСтех, Ю. В.
dc.contributor.authorКерницький, А. Б.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2020-03-23T07:48:40Z
dc.date.available2020-03-23T07:48:40Z
dc.date.created2004-02-18
dc.date.issued2004-02-18
dc.description.abstractРобота зосереджена на алгоритмах кластеризації великих колекцій документів, які базуються на ієрархічних рішеннях. Оцінена робота різних критеріальних функцій під час кластеризації документів.
dc.description.abstractThis paper focuses on document clustering algorithms that build hierarchical solutions. In this paper is evaluate the performance of different criterion functions for the problem of clustering documents.
dc.format.extent68-72
dc.format.pages5
dc.identifier.citationСтех Ю. В. Алгоритми ієрархічної кластеризації для великих колекцій документів / Ю. В. Стех, А. Б. Керницький // Вісник Національного університету “Львівська політехніка”. — Львів : Видавництво Національного університету “Львівська політехніка”, 2004. — № 522 : Комп’ютерні системи проектування. Теорія і практика. — С. 68–72.
dc.identifier.citationenStekh Iu. V. Alhorytmy iierarkhichnoi klasteryzatsii dlia velykykh kolektsii dokumentiv / Iu. V. Stekh, A. B. Kernitskii // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". — Lviv : Vydavnytstvo Natsionalnoho universytetu "Lvivska politekhnika", 2004. — No 522 : Kompiuterni systemy proektuvannia. Teoriia i praktyka. — P. 68–72.
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/47558
dc.language.isouk
dc.publisherВидавництво Національного університету “Львівська політехніка”
dc.relation.ispartofВісник Національного університету “Львівська політехніка”, 522 : Комп’ютерні системи проектування. Теорія і практика, 2004
dc.relation.references1. Charu C. Aggarwal, Stephen C. Gates, and Philip S. Yu. On the merits of building categorization systems by supervised clustering. In Proc. of the Fifth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, - 1999. - p. 352-356.
dc.relation.references2. Doug Beeferman and Adam Berger. Agglomerative clustering of a search engine query log. In Proc. of the Sixth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, - 2000. - p. 407—416.
dc.relation.references3. Daniel Boley. Principal direction divisive partitioning. Data Mining and Knowledge Discovery, 2(4), 1998.
dc.relation.references4. Chung-Kuan Cheng and Yen-Chuen A. Wei. An improved two-way partitioning algorithm with stable performance. IEEE Transactions on Computer Aided Design, 10(12): 1502-1511, December 1991.
dc.relation.references5. Inderjit S. Dhillon and Dharmendra S. Modha. Concept decompositions for large sparse text data using clustering. Machine Learning, 42(1/2):143-175, 2001.
dc.relation.references6. R.O. Duda, P.E. Hart, and D.G. Stork. Pattern Classification. John Wiley & Sons, 2001.
dc.relation.references7. A.K. Jain and R. C. Dubes. Algorithms for Clustering Data. Prentice Hall, 1988.
dc.relation.references8. B. King. Step-wise clustering procedures. Journal of the American Statistical Association, 69:86-101, 1967.
dc.relation.references9. Bjomar Larsen and Chinatsu Aone.Fast and effective text mining using linear-time document clustering. In Proc. of the Fifth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, - 1999. - p. 16-22.
dc.relation.references10. R. Ng and J. Han. Efficient and effective clustering method for spatial data mining. In Proc. of the 20th VLDB Conference, pages 144-155, Santiago, Chile, 1994.
dc.relation.references11. J. Puzicha, T. Hofmann, and J. Buhmann. A theory of proximity based clustering: Structure detection by optimization. PATREC: Pattern Recognition, Pergamon Press, 33(4):617-634, 2000.
dc.relation.references12. G. Salton. Automatic Text Processing: The Transformation, Analysis, and Retrieval of Information by Computer. Addison-Wesley, 1989.
dc.relation.references13. Jianbo Shi and Jitendra Malik. Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8):888-905, 2000.
dc.relation.references14. K. Zahn. Graph-tehoretical methods for detecting and describing gestalt clusters. IEEE Transactions on Computers, (C-20):68-86, 1971.
dc.relation.references15. Батыршин ИЗ., Хабибулин Р.Ф. Тестирование кластерных алгоритмов на инвариантность относительно нумерации объектов. // Известия академии наук. Теория и системы управления. - 1997, 2, 165 - 168.
dc.relation.references16. Батыршин ИЗ., Хабибулин Р.Ф. Разработка алгоритмов когнитивного кластерного анализа, в кн.: Обработка текста и когнитивные технологии, вып. 3 / Нод ред. Соловьева В.Д. - Пущино, 1999, с. 43 - 47.
dc.relation.references17. Ермаков А.Е. Тематический анализ текста с выявлением сверхфразовой структуры // Информационные технологии. - 2000. - № 11.
dc.relation.references18. Ермаков А.Е., Плешко В.В. Ассоциативная модель порождения текста в задаче классификации /7 Информационные технологии. - 2000. - N №.
dc.relation.references19. Харламов А.А., Ермаков А.Е., Кузнецов Д.М. Технология обработки текстовой информации с опорой на семантическое представление на основе иерархических структур из динамических нейронных сетей, управляемых механизмом внимания //Информационные технологии. - 1998. -№ 2. - С. 26-32.
dc.relation.referencesen1. Charu C. Aggarwal, Stephen C. Gates, and Philip S. Yu. On the merits of building categorization systems by supervised clustering. In Proc. of the Fifth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, 1999, p. 352-356.
dc.relation.referencesen2. Doug Beeferman and Adam Berger. Agglomerative clustering of a search engine query log. In Proc. of the Sixth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, 2000, p. 407-416.
dc.relation.referencesen3. Daniel Boley. Principal direction divisive partitioning. Data Mining and Knowledge Discovery, 2(4), 1998.
dc.relation.referencesen4. Chung-Kuan Cheng and Yen-Chuen A. Wei. An improved two-way partitioning algorithm with stable performance. IEEE Transactions on Computer Aided Design, 10(12): 1502-1511, December 1991.
dc.relation.referencesen5. Inderjit S. Dhillon and Dharmendra S. Modha. Concept decompositions for large sparse text data using clustering. Machine Learning, 42(1/2):143-175, 2001.
dc.relation.referencesen6. R.O. Duda, P.E. Hart, and D.G. Stork. Pattern Classification. John Wiley & Sons, 2001.
dc.relation.referencesen7. A.K. Jain and R. C. Dubes. Algorithms for Clustering Data. Prentice Hall, 1988.
dc.relation.referencesen8. B. King. Step-wise clustering procedures. Journal of the American Statistical Association, 69:86-101, 1967.
dc.relation.referencesen9. Bjomar Larsen and Chinatsu Aone.Fast and effective text mining using linear-time document clustering. In Proc. of the Fifth ACM SIGKDD Int’l Conference on Knowledge Discovery and Data Mining, 1999, p. 16-22.
dc.relation.referencesen10. R. Ng and J. Han. Efficient and effective clustering method for spatial data mining. In Proc. of the 20th VLDB Conference, pages 144-155, Santiago, Chile, 1994.
dc.relation.referencesen11. J. Puzicha, T. Hofmann, and J. Buhmann. A theory of proximity based clustering: Structure detection by optimization. PATREC: Pattern Recognition, Pergamon Press, 33(4):617-634, 2000.
dc.relation.referencesen12. G. Salton. Automatic Text Processing: The Transformation, Analysis, and Retrieval of Information by Computer. Addison-Wesley, 1989.
dc.relation.referencesen13. Jianbo Shi and Jitendra Malik. Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8):888-905, 2000.
dc.relation.referencesen14. K. Zahn. Graph-tehoretical methods for detecting and describing gestalt clusters. IEEE Transactions on Computers, (C-20):68-86, 1971.
dc.relation.referencesen15. Batyrshin IZ., Khabibulin R.F. Testirovanie klasternykh alhoritmov na invariantnost otnositelno numeratsii obieektov., Izvestiia akademii nauk. Teoriia i sistemy upravleniia, 1997, 2, 165 - 168.
dc.relation.referencesen16. Batyrshin IZ., Khabibulin R.F. Razrabotka alhoritmov kohnitivnoho klasternoho analiza, v kn., Obrabotka teksta i kohnitivnye tekhnolohii, Iss. 3, Nod red. Soloveva V.D, Pushchino, 1999, P. 43 - 47.
dc.relation.referencesen17. Ermakov A.E. Tematicheskii analiz teksta s vyiavleniem sverkhfrazovoi struktury, Informatsionnye tekhnolohii, 2000, No 11.
dc.relation.referencesen18. Ermakov A.E., Pleshko V.V. Assotsiativnaia model porozhdeniia teksta v zadache klassifikatsii /7 Informatsionnye tekhnolohii, 2000, N №.
dc.relation.referencesen19. Kharlamov A.A., Ermakov A.E., Kuznetsov D.M. Tekhnolohiia obrabotki tekstovoi informatsii s oporoi na semanticheskoe predstavlenie na osnove ierarkhicheskikh struktur iz dinamicheskikh neironnykh setei, upravliaemykh mekhanizmom vnimaniia //Informatsionnye tekhnolohii, 1998. -No 2, P. 26-32.
dc.rights.holder© Національний університет “Львівська політехніка”, 2004
dc.rights.holder© Стех Ю. В., Керницький А. Б., 2004
dc.subject.udc563.2
dc.titleАлгоритми ієрархічної кластеризації для великих колекцій документів
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2004n522_Stekh_Iu_V-Alhorytmy_iierarkhichnoi_68-72.pdf
Size:
399.05 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2004n522_Stekh_Iu_V-Alhorytmy_iierarkhichnoi_68-72__COVER.png
Size:
414.41 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.97 KB
Format:
Plain Text
Description:
Download

Collections

Комп'ютерні системи проектування теорія і практика. – 2004. – №522