Figure 1: Internal Organization of

Figure 1: Internal Organization of eBizSearch

4.3 Enhancing Metadata Extraction
OAI compliance requires additional metadata items than currently
available from CiteSeer. CiteSeer extracts metadata items using customized regular expressions. But the performance for some of them (esp. author(s) and date) turns out to be poor and often requires manual correction. To extend the set of metadata items, and improve the extraction quality, we propose a machine- learning oriented model where the metadata extraction algorithm results from training. The metadata extraction algorithm used is a Support Vector Machine (SVM) [7], a supervised learning and classification method. The algorithms extracts the 13 metadata items defined in [10] from the header of research papers. Table 1 provides a comparison of our latest experimental results to those reported by [10]. It supports the fact our SVM metadata extraction algorithm could achieve better performance than HMM for metadata extraction with less training data.

ผลลัพธ์ (ไทย) 1:

รูปที่ 1: องค์กรภายในของ eBizSearch4.3 เพิ่มสกัดข้อมูลเมตาปฏิบัติค่อนต้องรายการข้อมูลเมตาเพิ่มเติมมากกว่าในปัจจุบันได้จาก CiteSeer CiteSeer แยกรายการข้อมูลเมตาของโดยใช้นิพจน์ทั่วไปที่กำหนดเอง แต่ประสิทธิภาพการทำงานของพวกเขา (เหมาะใช้กับ author(s) และวัน) จะออกมาไม่ดี และมักจะต้องแก้ไขด้วยตนเอง การขยายชุดของข้อมูลเมตา และปรับปรุงคุณภาพสกัด เรานำเสนอแบบเน้นเรียนรู้ของเครื่องซึ่งอัลกอริทึมการสกัดข้อมูลเมตาผลจากการฝึกอบรม ขั้นตอนวิธีการสกัดข้อมูลเมตาที่ใช้เป็นการสนับสนุนการเวกเตอร์เครื่อง (SVM) [7], เรียนรู้ดูแล และวิธีการจัดประเภท อัลกอริทึมการแยกรายการข้อมูลเมตา 13 ที่กำหนดไว้ใน [10] จากหัวข้อของงานวิจัย ตารางที่ 1 แสดงการเปรียบเทียบของผลลัพธ์การทดลองล่าสุดที่รายงาน โดย [10] สนับสนุนความจริงที่เรา SVM metadata สกัดอัลกอริทึมสามารถบรรลุประสิทธิภาพที่ดีกว่า HMM ดูดข้อมูลเมตาของข้อมูลน้อยกว่าการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

รูปที่ 1: องค์กรภายในของ eBizSearch 4.3 เพิ่มเมตาดาต้าสกัดการปฏิบัติตาม OAI ต้องการรายการเมตาดาต้าที่เพิ่มขึ้นกว่าในปัจจุบันที่มีอยู่จาก Citeseer Citeseer สารสกัดจากรายการเมตาดาต้าใช้นิพจน์ปกติที่กำหนดเอง แต่ผลการดำเนินงานสำหรับบางส่วนของพวกเขา (ESP. ผู้เขียน (s) และวันที่) จะออกมาเป็นที่น่าสงสารและมักจะต้องแก้ไขด้วยตนเอง ที่จะขยายชุดของรายการข้อมูลเมตาและปรับปรุงคุณภาพการสกัดที่เรานำเสนอการเรียนรู้ที่มุ่งเน้นรูปแบบที่ machine- ผลขั้นตอนวิธีการสกัดข้อมูลเมตาจากการฝึกอบรม ขั้นตอนวิธีการสกัดเมตาดาต้าที่ใช้เป็นเครื่องสนับสนุนเวกเตอร์ (SVM) [7], การเรียนรู้และการจำแนกวิธีการภายใต้การดูแล ขั้นตอนวิธีการสารสกัดจาก 13 รายการเมตาดาต้าที่กำหนดไว้ใน [10] จากส่วนหัวของเอกสารการวิจัย ตารางที่ 1 ให้การเปรียบเทียบผลการทดลองล่าสุดของเรากับผู้ที่รายงานโดย [10] มันสนับสนุนความเป็นจริงขั้นตอนวิธีการสกัด SVM ข้อมูลเมตาของเราสามารถบรรลุประสิทธิภาพที่ดีกว่าอืมสำหรับการสกัดเมตาดาต้าที่มีข้อมูลการฝึกอบรมน้อย

ผลลัพธ์ (ไทย) 3:

รูปที่ 1 : องค์กรภายในของ ebizsearch4.3 เพิ่ม metadata การสกัดต้องการข้อมูลสินค้าเพิ่มเติมตามพ. กว่าในปัจจุบันพร้อมใช้งานจาก citeseer . สารสกัดจากข้อมูล citeseer สินค้าใช้เองการแสดงออกปกติ แต่การแสดงบางของพวกเขา ( โดยเฉพาะผู้เขียน ( s ) และวันที่ ) กลับกลายเป็นคนจนและมักจะต้องแก้ไขด้วยตนเอง ขยายชุดของรายการข้อมูล และปรับปรุงคุณภาพการแยก เรานำเสนอเครื่อง - การเรียนรู้แบบเน้นที่การสกัด metadata อัลกอริทึมผลลัพธ์จากการฝึกอบรม ข้อมูลการสกัดวิธีที่ใช้คือ สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) [ 7 ] เป็นการเรียนรู้และจำแนก . ขั้นตอนวิธีการแยก 13 ของรายการที่กำหนดไว้ใน [ 10 ] จากส่วนหัวของเอกสารวิจัย ตารางที่ 1 แสดงการเปรียบเทียบของเราล่าสุดการทดลองที่รายงานโดย [ 10 ] มันสนับสนุนความจริงของเรา SVM metadata การสกัดอัลกอริทึมสามารถบรรลุประสิทธิภาพดีกว่า อืมมม สำหรับข้อมูลการสกัดด้วยน้อยกว่าการฝึกอบรมข้อมูล