Главная » Все файлы » Просмотр файлов из архивов » PDF-файлы » Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика

Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика, страница 57

PDF-файл Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика, страница 57 Системы автоматизированного проектирования (САПР) (13021): Книга - 11 семестр (3 семестр магистратуры)Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика: Системы автоматизированного проектирования2017-12-21СтудИзба

Описание файла

PDF-файл из архива "Большакова Е.И. и др. - Автоматическая обработка текстов на естественном языке и компьютерная лингвистика", который расположен в категории "". Всё это находится в предмете "системы автоматизированного проектирования (сапр)" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "книги и методические указания", в предмете "интеллектуальные подсистемы сапр" в общих файлах.

Просмотр PDF-файла онлайн

Текст 57 страницы из PDF

8. Примеры кластеров произвольной формыАвторыDBSCANэкспериментальнопоказали, что их алгоритмспособенраспознатькластерыразличнойформы, например, как нарис. 8.Идея, положенная в основу алгоритма, заключается в том, что внутри каждогокластера наблюдается типичная плотность точек (объектов), которая заметно выше,чем плотность снаружи кластера, а также плотность в областях с шумом нижеплотности любого из кластеров. Ещё точнее, что для каждой точки кластера еёсоседство заданного радиуса должно содержать не менее некоторого числа точек, эточисло точек задаётся пороговым значением. Перед изложением алгоритма дадимнеобходимые определения.Определение 1. Eps-соседство точки }, обозначаемое как õör÷ X}Z, определяетсякак множество документов, находящихся от точки } на расстояния не более Eps:õör÷ X}Z {ø ∈ "| ?(X}, øZ = Ê}? . Поиска точек, чьё õör÷ X}Zсодержит хотя быминимальное число точек (MinPt) не достаточно, так как точки бывают двух видов:ядровые и граничные.Определение 2.

Точка } непосредственно плотно-достижима из точки ø (призаданных Eps и MinPt), если } ∈ õör÷ X}Z и |õör÷ X}Z| ¶ a ±`( (рис. 9).Рис. 9. Пример точек, находящихся в отношении непосредственно плотнойдостижимостиОпределение 3. Точка } плотно-достижима из точки ø (при заданных Eps иMinPt), если существует последовательность точек ø }, , }V … , }ù }: } u,непосредственно плотно-достижимы из } . Это отношение транзитивно, но несимметрично в общем случае, однако симметрично для двух ядровых точек.Определение 4.

Точка } плотно-связана с точкой ø (при заданных Eps и MinPt),если существует точка o: } и ø плотно-достижимы из o (при заданных Eps и MinPt),см. рис. 10.Рис. 10. Пример точек, находящихся в отношении плотной связанностиТеперь мы готовы дать определения кластеру и шуму.Определение 5. Кластер j(при заданных Eps и MinPt) – это не пустоеподмножество документов, удовлетворяющее следующих условиям:1981) ∀}, ø: если } ∈ ž и ø плотно-достижима из } (при заданных Eps и MinPt), тоø∈ž.2) ∀}, ø ∈ ž : } плотно-связана с ø (при заданных Eps и MinPt).Итак, кластер – это множество плотно-связанных точек. В каждом кластересодержится хотя бы MinPt документов.Шум – это подмножество документов, которые не принадлежат ни одному1, |ž| .кластеру: } ∈ "| ∀ : } ∉ g ,Алгоритм DBSCAN для заданных значений параметров Eps и MinPt исследуеткластер следующим образом: сначала выбирает случайную точку, являющуюсяядровой, в качестве затравки, затем помещает в кластер саму затравку и все точки,плотно-достижимые из неё.Алгоритм в общем виде.DBSCANВход: множество индексированных документов , Eps и MinPt.Шаг 1.

Установить всем элементам множества флаг «не посещён». Присвоитьтекущему кластеру С нулевой номер, j := 0. Множество шумовых документов Noise:= ∅.Шаг 2. Для каждого ∈ такого, что флаг( ) = «не посещён», выполнить:Шаг 3.флаг( ) := «посещён»;Шаг 4.õ := õör÷ X Zø ∈ "| ?(X , øZ = Ê}?Шаг 5.Если |õ | < MinPt, тоNoise := Noise + { }иначеномер следующего кластера j := j + 1;EXPANDCLUSTER( , õ , g , Ê}?, a ±`();Выход: множество кластеровС .EXPANDCLUSTER, его eps-соседство õ , текущий кластер g иВход: текущий документÊ}?, a ±`(.Шаг 1. g ∶ g f;Шаг 2. Для всех документов ) ∈ õ :Шаг 3.Если флаг( ) ) = «не посещён», тоШаг 4флаг( ) ) := «посещён»;Шаг 5.õ ) := õör÷ X ) Z;Шаг 6.Если |õ ) | >= MinPt, то õ ≔ õ f õ ) ;Шаг 7.Если ∄}: ) ∈ gr , } 1, |ž|, то g ∶ g f ) ;Выход: кластер g .Эвристический подход к заданию начальных параметров.

Для некоторогозначения k, построить график, на котором каждому документу коллекции поставить всоответствие значение k-dist – расстояние до его k-ого соседа, при этом документыдолжны быть отсортированы по убыванию значения k-dist. Тогда полученный графикможет породить догадки о распределении плотности в массиве документов.

Ищемпороговую точку p на графике с наибольшим значением k-dist для «самогоразреженного» кластера: предполагаем, то это первая точка первой «равнины».199Точки, расположенные левее, предположительно считаются шумовыми, а правее –принадлежащими одному из кластеров. Тогда значения параметров Eps = k-dist(p) иMinPt=k.Пример. Воспользуемся эвристикой авторов DBSCAN для настройкиначальных параметров, построим 3-dist: (d2;1,43), (d3;1,39), (d1;1,36), (d4;1,36),(d5;1,32), (d6;1,30).Итак, Eps = 1,36 и MinPt = 3.j := 0; Noise := ∅; Флаг := [0 0 0 0 0 0], где 0 соответствует«не посещён».1) ∶ d1.

Флаг = [1 0 0 0 0 0]. õ1, 2, 4, 5, 6 .|õ | = 5 > MinPt; j = 1;2) g = {d1}.3) ) := d2; Флаг = [1 1 0 0 0 0] õ ) = {d1, d2, d5}; |õ ) | = 3 >=1, 2, 4, 5, 6 . g = {d1, d2}.MinPt; õ4) ) := d4; Флаг = [1 1 0 1 0 0] õ ) = {d1, d4,d5,d6}; |õ ) | = 4Рис. 11. Поиск1, 2, 4, 5, 6 . g = {d1, d2, d4}.>= MinPt; õзначений входныхпараметров алгоритма 5) ) := d5; Флаг = [1 1 0 1 1 0] õ ) = {d1, d2, d4, d5,d6}; |õ ) |= 5 >= MinPt; õ1, 2, 4, 5, 6 . g = {d1, d2, d4, d5}.DBSCAN6) ) := d6; Флаг = [1 1 0 1 1 1] õ ) = {d1, d4, d5,d6}; |õ ) | = 41, 2, 4, 5, 6 . g = {d1, d2, d4, d5, d6}.>= MinPt; õ7) ∶ d3. Флаг = [1 1 1 1 1 1].

õ3 . |õ | = 1 < MinPt; Noise := {d3}.Получаем один кластер и шумовые документы:1 = {d1, d2, d4, d5, d6} и Noise = {d3}. Разницу между ожиданиями, связаннымис графиком 3-dist (2 шумовых документа), можно объяснить особенностьюпостроения графика 3-dist для данного частного примера: при вычислении расстояниядо k-ого соседа k-соседом становился тот, расстояние до которого отлично отрасстояния до (k-1)-соседа.Вычислительная сложность. В общем случае алгоритм DBSCAN имеетквадратичную вычислительную сложность из-за поиска Eps-соседства. Однакоавторы алгоритма использовали для этой цели специальную структуру данных – R*деревья, в результате поиск Eps-соседства для одной точки – O(log n).

Общаявычислительная сложность DBSCAN – O(n * log n).§ 2.4.Нечёткий алгоритм с-среднихНечёткий алгоритм с-средних был предложен Джоном С. Данном в 1973 году(позднее усовершенствован Дж. Беждеком в 1981 году) как решение проблемымягкой кластеризации, то есть присвоения каждого документа более чем одномукластеру. Как и его чёткий вариант – алгоритм k-средних – данный алгоритм, начинаяс некоторого начального разбиения данных, итеративно минимизирует целевуюфункцию, которой является следующее выражение:|"| |ž|(44)VÌ $ŽÌ X", žZ A A ü £ C Ÿ$ £ ,E, E,где m – спепень нечёткости, 1 © M © ∞;ü – степень принадлежности i-ого документа j-ому кластеру,200|ž|ü ∈ Š0; 1‹, ∑ E, üü1 для любого1∈;VÌ~,(45)£$ C $£´£ $ C $) £Ÿ – центроид, кластера g ,1, |ž|, вычисляющийся по формуле:| | Ì(46)$∑ E, üŸ###$.∑| E,| üÌАлгоритм в общем виде.Вход: множество проиндексированных документов , количество кластеров| |=k.Шаг 1.

Инициализация матрицы ý v +ü .,1, |"|1, *, например,случайными числами.t = 0, где t – номер итерации.Шаг 2. t := t +1.jШаг 3. Вычислить текущие центроиды кластеров Ÿ$ ,1, * по формуле (46).Шаг 4. Обновить матрицу нечёткого разбиения, то есть вычислить ý j +ü . поформуле (45).Шаг 5. Если не достигнуто условие остановки, например, ‖ý j C ý j~, ‖ © þ, где0 © þ © 1, то повторить с шага 2.Выход: матрица степеней принадлежности документов кластерам ý j +ü ..∑|ž|)E, ³Пример. Пусть k=2; m=2; þ = 0,01.Итерация 0. Инициализация матрицы ý v0.9572 0.04280.4854 0.51460.8003 0.19970.1419 0.85810.4218 0.57820.9157 0.0843Итерация 1.ý, +ü .

=0.8442 0.15580.4953 0.50470.6191 0.38090.0788 0.92120.0889 0.91110.8160 0.1840И т. д.0.16600.2687+ü . случайными числами:0.55350.0056201Ÿ$0.08160.1875,0.22190.02820.05570.68310.20210.2915Итерация 4.ý t +ü . =0.8801 0.11990.5411 0.45890.5537 0.44630.0560 0.94400.0493 0.95070.8369 0.1631tŸ$0.1589 0.6297 0.1369 0.1489 0.00240.2860 0.0168 0.0933 0.0843 0.68320.19200.3314Выполнено условие остановки: ‖ý t C ý s ‖ © þ.Если привести результат к чёткой кластеризации, то получим следующие двакластера:1 = {d2, d3, d4}; 2 = {d1, d5, d6}.Вычислительная сложность.

Алгоритм имеет линейную сложность – ОX|"|Z.§ 2.5.Инкрементный алгоритм C2ICMАлгоритм C2ICM (Cover-Coefficient-based Incremental Clustering Methodology),алгоритм инкрементной кластеризации на основе анализа коэффициентов покрытия,был предложен Фазли Кэном и коллегами в 1991 как решение проблемы поддержкиактуальности кластерной структуры в пополняемых базах документов. Всерассмотренные нами ранее алгоритмы кластеризации не учитывают динамическуюприроду массивов документов, будем называть их статическими алгоритмами.

Если вмассив будут добавлены новые документы или удалены некоторые старые, то спомощью статических алгоритмов возможно только класстеризовать обновленныймассив с самого начала. Ф. Кэн предлагает инкрементный алгоритм С2ICM,позволяющий время от времени модифицировать кластерную структуруизменившегося массива документов.В основе инкрементного алгоритма С2ICM лежит статический алгоритм C3M(Cover-Coefficient-based Clustering Methodology), алгоритм кластеризации на основеанализа коэффициентов покрытия, предложенный в Ф. Кэном и коллегами 1990 г.Первичное разбиение массива документов выполняется с помощью C3M.Анализируется сходство между документами, автоматически определяетсяколичество кластеров, каждый документ коллекции оценивается на возможностьстать затравкой для кластера (оценивается затравочная сила каждого документа).Затем все остальные документы присваиваются тем кластерам, чей документ-затравкаближе других.

Алгоритм С2ICM используется, когда массив документов обновлён.Снова анализируется сходство между документами, автоматически определяетсяновое количество кластеров, каждый документ коллекции оценивается навозможность стать затравкой для кластера. В итоге формируется подмножестводокументов r, которые следует кластеризовать. В него попадают новые документы идокументы из тех кластеров, которые теперь признаны недействительными. Кластерпризнаётся недействительным, если: (а) его документ-затравка больше не являетсязатравкой (это действует и в случае, когда затравка удаляется из массива) и (б) одинили более документов, не являющихся ранее затравками, после обновления массивастали затравочными.

Затем полученное подмножество снова разбивается алгоритмомC3M.202Таким образом, не происходит повторное разбиение всей коллекции, а только еёчасти. Эксперименты, проведённые Ф. Кэном, показали, что после обновлениямассива документов С2ICM производит очень близкие кластеры к тем, что и C3Mпутём полной перекластеризации.Идея алгоритма C3M заключается в количественной оценке взаимоотношениякаждой пары документов: насколько первый документ «покрывает» второй инаоборот. Эта оценка по сути является ассиметричной оценка сходства двухдокументов, учитывающей сколько общих терминов у документов, сколько всеготерминов в первом документе и сколько раз каждый общий термин встречается вколлекции. Матрица коэффициентов покрытия С (| |x| |) вычисляется следующимобразом:|"|(47)¸ ∑)E, ) ä)),|'||"|где ,1, |"|, ¸1⁄∑rE, r , ä) 1⁄∑rE, r) .показывает, с какой степенью документ покрывается документом .Коэффициентыобладают следующими свойствами:1) 0 <<1, 0 << 1;¶ , minX Z 1/|"| для бинарных весов терминов в документах;2)3) + , f V f ⋯ f |"| .

Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Нашёл ошибку?
Или хочешь предложить что-то улучшить на этой странице? Напиши об этом и получи бонус!
Бонус рассчитывается индивидуально в каждом случае и может быть в виде баллов или бесплатной услуги от студизбы.
Предложить исправление
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
5117
Авторов
на СтудИзбе
447
Средний доход
с одного платного файла
Обучение Подробнее