This research aims to develop autom

This research aims to develop automatic knowledge discovery system from
semi-structured Thai text for supporting plant diagnosis. Plant disease diagnosis
is very important for farmers to be able to cure infected plants before infections
become more severe. Prior to diagnosis, farmers need to gain knowledge
retrieved primarily from text, including unstructured and semi-structured
document. As this knowledge is spread throughout the text, collecting the
required knowledge in its entirety is time consuming. An alternative to the
manual approach is the use of automatic knowledge discovery processes to
acquire concise knowledge for plant disease diagnosis. Then the knowledge
discovery process consists of at least two main steps: knowledge extraction and
knowledge generalization. However, there are two major problems in this
research. First is the knowledge extraction problem attributed to linguistics,
which can be solved by NLP technique such as zero anaphora, ellipsis, etc. And
second is the generalization problem due to obtaining general knowledge that is
intrinsically uncertain and incomplete. To solve these problems we propose three
combination techniques: First, a template-matching rule is used to extract the
knowledge from the agricultural document on website. Second, a Monte Carlo
simulation technique is applied to solve the incomplete knowledge of plant
disease symptoms from the texts. And the third one is the use of the fuzzy concept
to determine the weighted average of the generality of the symptom from each
pathogen type or insect type. The results of knowledge generalization will then
be evaluated by experts, and knowledge extraction will be evaluated in term of
precision, and recall. It is important to note that this is being conducted in part of
ongoing research.

ผลลัพธ์ (ไทย) 1:

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบการค้นหาความรู้โดยอัตโนมัติจากข้อความภาษาไทยกึ่งโครงสร้างเพื่อสนับสนุนการวินิจฉัยโรคพืช การวินิจฉัยโรคพืชเป็นสิ่งสำคัญมากสำหรับเกษตรกรเพื่อให้สามารถรักษาพืชติดเชื้อก่อนที่จะติดเชื้อเป็นรุนแรงมากขึ้น ก่อนที่จะวินิจฉัย เกษตรกรจำเป็นต้องได้รับความรู้ดึงข้อมูลจากข้อความ รวมทั้งไม่มีโครงสร้าง และกึ่งโครงสร้างเอกสาร รวบรวมเป็นความรู้ที่แพร่กระจายตลอดข้อความ การความรู้ทั้งหมดเป็นเวลานาน ทางเลือกในการวิธีการด้วยตนเองคือ การใช้กระบวนการค้นพบความรู้โดยอัตโนมัติได้รับความรู้โดยสังเขปสำหรับการวินิจฉัยโรคพืช แล้วความรู้ค้นพบกระบวนการประกอบด้วยขั้นตอนหลักที่ 2: การสกัดความรู้ และความรู้ลักษณะทั่วไป อย่างไรก็ตาม มีสองปัญหาที่สำคัญในการนี้วิจัย ก่อน ปัญหาสกัดความรู้เกิดจากการภาษาศาสตร์ซึ่งสามารถแก้ไขได้ โดยเทคนิค NLP anaphora ศูนย์ ไข่ปลา ฯลฯ และที่ เป็นปัญหาเนื่องจากได้รับความรู้ทั่วไปที่มีลักษณะทั่วไปความไม่แน่นอน และไม่สมบูรณ์ การแก้ปัญหาเหล่านี้ เรานำเสนอสามเทคนิคการผสม: ครั้งแรก ใช้กฎแม่แบบที่ตรงกันในการแยกตัวความรู้จากเอกสารเกษตรบนเว็บไซต์ วินาที มอนติคาร์โลมีใช้เทคนิคจำลองเพื่อแก้ความรู้ที่สมบูรณ์ของพืชอาการที่เกิดจากข้อความ และหนึ่งในสามคือ การใช้แนวความคิดพร่าเลือนการตรวจสอบน้ำหนักเฉลี่ยของทั่วไปของอาการจากแต่ละชนิดของเชื้อโรคหรือแมลงชนิด ผลของความรู้ลักษณะทั่วไปแล้วจะมีประเมิน โดยผู้เชี่ยวชาญ และสกัดจะประเมินในด้านความรู้ความแม่นยำ และเรียกคืน มันเป็นสิ่งสำคัญโปรดสังเกตว่า นี้จะถูกดำเนินการในส่วนของวิจัยอย่างต่อเนื่อง

ผลลัพธ์ (ไทย) 2:

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบการค้นพบความรู้โดยอัตโนมัติจาก
ข้อความภาษาไทยกึ่งโครงสร้างเพื่อรองรับการวินิจฉัยโรคพืช การวินิจฉัยโรคพืช
เป็นสิ่งสำคัญมากสำหรับเกษตรกรที่จะสามารถรักษาพืชที่ติดเชื้อก่อนที่จะติดเชื้อ
กลายเป็นความรุนแรงมากขึ้น ก่อนที่จะมีการวินิจฉัยเกษตรกรจะต้องได้รับความรู้
ที่ดึงมาส่วนใหญ่มาจากข้อความรวมทั้งไม่มีโครงสร้างและกึ่งโครงสร้าง
เอกสาร ในฐานะที่เป็นความรู้นี้จะถูกกระจายไปทั่วทั้งข้อความ, การเก็บรวบรวม
ความรู้ที่จำเป็นอย่างครบถ้วนเป็นเวลานาน ทางเลือกที่
คู่มือแนวทางคือการใช้กระบวนการค้นพบความรู้โดยอัตโนมัติเพื่อให้
ได้รับความรู้ที่รัดกุมในการวินิจฉัยโรคพืช แล้วความรู้ที่
ค้นพบกระบวนการประกอบด้วยอย่างน้อยสองขั้นตอนหลัก: การสกัดความรู้และ
ทั่วไปความรู้ แต่มีสองปัญหาที่สำคัญในเรื่องนี้
การวิจัย แรกคือปัญหาการสกัดความรู้ที่นำมาประกอบกับภาษาศาสตร์
ซึ่งสามารถแก้ไขได้โดยใช้เทคนิค NLP เช่นศูนย์ Anaphora, จุดไข่ปลา ฯลฯ และ
ที่สองคือปัญหาทั่วไปเนื่องจากการได้รับความรู้ทั่วไปที่เป็น
พื้นฐานความไม่แน่นอนและไม่สมบูรณ์ เพื่อแก้ปัญหาเหล่านี้เรานำเสนอสาม
เทคนิคการรวมกัน: First กฎแม่แบบการจับคู่จะใช้ในการดึง
ความรู้จากเอกสารทางการเกษตรบนเว็บไซต์ ประการที่สอง Monte Carlo
เทคนิคการจำลองถูกนำไปใช้ในการแก้ปัญหาความรู้ที่ไม่สมบูรณ์ของพืช
อาการของโรคจากตำรา และหนึ่งในสามคือการใช้แนวคิดเลือน
ในการกำหนดค่าเฉลี่ยถ่วงน้ำหนักของทั่วไปของอาการจากแต่ละ
ประเภทหรือชนิดเชื้อโรคแมลง ผลของความรู้ทั่วไปแล้วจะ
ได้รับการประเมินโดยผู้เชี่ยวชาญและการสกัดความรู้ที่จะได้รับการประเมินในแง่ของ
ความแม่นยำและการเรียกคืน มันเป็นสิ่งสำคัญที่จะต้องทราบว่านี้จะถูกดำเนินการในส่วนของ
การวิจัยอย่างต่อเนื่อง

ผลลัพธ์ (ไทย) 3:

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบการค้นพบความรู้โดยอัตโนมัติจากงานวิจัยภาษาไทยเพื่อสนับสนุนการวินิจฉัยโรคพืช การวินิจฉัยโรคพืชเป็นสิ่งสำคัญมากสำหรับเกษตรกรที่จะสามารถรักษาพืชที่ติดเชื้อก่อนที่เชื้อกลายเป็นที่รุนแรงมากขึ้น ก่อนที่จะมีการวินิจฉัย เกษตรกรต้องได้รับความรู้ดึงข้อมูลจากข้อความหลัก รวมถึงวิธีการใหม่และเอกสาร ความรู้นี้จะแพร่กระจายทั่วข้อความการรวบรวมความรู้อย่างครบถ้วน เป็นเวลานาน ทางเลือกให้กับคู่มือแนวทางการใช้กระบวนการค้นพบความรู้โดยอัตโนมัติได้รับความรู้ที่กระชับเพื่อการวินิจฉัย โรคพืช แล้วความรู้การค้นพบกระบวนการที่ประกอบด้วยอย่างน้อยสองขั้นตอนหลัก : การสกัดความรู้และการศึกษาความรู้ อย่างไรก็ตาม มีสองปัญหาหลักในนี้วิจัย ปัญหาแรกคือการสกัดความรู้จากภาษาศาสตร์ซึ่งสามารถแก้ไขได้โดย NLP เทคนิค เช่น ศูนย์ anaphora จุดไข่ปลา ฯลฯ , และประการที่สอง คือปัญหาจากการได้รับความรู้ทั่วไปที่เป็นภายในที่ไม่แน่นอนและไม่สมบูรณ์ เพื่อแก้ไขปัญหาเหล่านี้ เราขอสามเทคนิคผสม : แรก , แม่แบบกฎการจับคู่ใช้แยกความรู้จากเอกสารเกษตรบนเว็บไซต์ ที่สอง , มอนติ คาร์โลเทคนิคการจำลองแบบที่ใช้แก้ปัญหา ความรู้ที่ไม่สมบูรณ์ของพืชอาการของโรคจากข้อความ และ คนที่สาม คือ การใช้แนวคิดฟัซซี่เพื่อหาค่าเฉลี่ยแบบถ่วงน้ำหนักของสภาพทั่วไปของอาการจากแต่ละชนิดของเชื้อโรค หรือชนิดของแมลง ผลของการความรู้จะแล้วถูกประเมินโดยผู้เชี่ยวชาญ และการสกัดความรู้จะได้รับการประเมินในแง่ของความแม่นยำและการเรียกคืน มันเป็นสิ่งสำคัญที่จะทราบว่า นี้จะถูกดำเนินการในส่วนของการวิจัยอย่างต่อเนื่อง