Text mining appears to embrace the

Text mining appears to embrace the whole of automatic natural language processing and, arguably,
far more besides—for example, analysis of linkage structures such as citations in the academic
literature and hyperlinks in the Web literature, both useful sources of information that lie outside
the traditional domain of natural language processing. But, in fact, most text mining efforts
consciously shun the deeper, cognitive, aspects of classic natural language processing in favor of
shallower techniques more akin to those used in practical information retrieval.
The reason is best understood in the context of the historical development of the subject of natural
language processing. The field’s roots lie in automatic translation projects in the late 1940s and
early 1950s, whose aficionados assumed that strategies based on word-for-word translation would
provide decent and useful rough translations that could easily be honed into something more
accurate using techniques based on elementary syntactic analysis. But the sole outcome of these
3
high-profile, heavily-funded projects was the sobering realization that natural language, even at an
illiterate child’s level, is an astonishingly sophisticated medium that does not succumb to
simplistic techniques. It depends crucially on what we regard as “common-sense” knowledge,
which despite—or, more likely, because of—its everyday nature is exceptionally hard to encode
and utilize in algorithmic form [Lenat, 1995].
As a result of these embarrassing and much-publicized failures, researchers withdrew into “toy
worlds”—notably the “blocks world” of geometric objects, shapes, colors, and stacking
operations—whose semantics are clear and possible to encode explicitly. But it gradually became
apparent that success in toy worlds, though initially impressive, does not translate into success on
realistic pieces of text. Toy-world techniques deal well with artificially-constructed sentences of
what one might call the “Dick and Jane” variety after the well-known series of eponymous
children’s stories. But they fail dismally when confronted with real text, whether painstakingly
constructed and edited (like this article) or produced under real-time constraints (like informal
conversation).
Meanwhile, researchers in other areas simply had to deal with real text, with all its vagaries,
idiosyncrasies, and errors. Compression schemes, for example, must work well with all
documents, whatever their contents, and avoid catastrophic failure even when processing
outrageously deviant files (such as binary files, or completely random input). Information retrieval
systems must index documents of all types and allow them to be located effectively whatever their
subject matter or linguistic correctness. Key-phrase extraction and text summarization algorithms
have to do a decent job on any text file. Practical, working systems in these areas are topicindependent,
and most are language-independent. They operate by treating the input as though it
were data, not language.
Text mining is an outgrowth of this “real text” mindset. Accepting that it is probably not much,
what can be done with unrestricted input? Can the ability to process huge amounts of text
compensate for relatively simple techniques? Natural language processing, dominated in its
infancy by unrealistic ambitions and swinging in childhood to the other extreme of unrealistically
artificial worlds and trivial amounts of text, has matured and now embraces both viewpoints:
relatively shallow processing of unrestricted text and relatively deep processing of domain-specific
material.
It is interesting that data mining also evolved out of a history of difficult relations between
disciplines, in this case machine learning—rooted in experimental computer science, with ad hoc
evaluation methodologies—and statistics—well-grounded theoretically, but based on a tradition of
testing explicitly-stated hypotheses rather than seeking new information. Early machine learning
researchers knew or cared little of statistics; early researchers on structured statistical hypotheses
remained ignorant of parallel work in machine learning. The result was that similar techniques (for
example, decision-tree building and nearest-neighbor learners) arose in p

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อความปรากฏขึ้นเพื่อ โอบกอดทั้งหมดของการประมวลผลภาษาธรรมชาติโดยอัตโนมัติ และ เนื้อหามากขึ้นนอกจาก — เช่น การวิเคราะห์โครงสร้างการเชื่อมโยงเช่นอ้างอิงในการศึกษาวรรณคดีและการเชื่อมโยงหลายมิติในวรรณคดีเว็บ แหล่งข้อมูลที่อยู่ภายนอกทั้งประโยชน์โดเมนแบบดั้งเดิมของการประมวลผลภาษาธรรมชาติ แต่ ในความเป็นจริง ข้อความส่วนใหญ่ทำเหมืองความพยายามมีสติชุนในความโปรดปรานของการประมวลผลภาษาธรรมชาติคลาสสิกด้านลึก ความ รู้ตื้นขึ้นเทคนิคที่ใช้ในการเรียกข้อมูลเป็นประโยชน์มากขึ้นเหตุผลที่ดีที่สุดคือเข้าใจในบริบทของการพัฒนาเรื่องของธรรมชาติประวัติศาสตร์การประมวลผลภาษา รากของฟิลด์อยู่กับการแปลอัตโนมัติใน 2483 และช่วงต้นทศวรรษ 1950 นี้สันนิษฐานว่า กลยุทธ์ที่ใช้แปลดังจะให้ดี และมีประโยชน์แปลหยาบที่สามารถได้อย่างง่ายดายเป็นบาร์ honed บางมากต้องใช้เทคนิคที่ใช้ในการวิเคราะห์ทางไวยากรณ์ระดับประถมศึกษา แต่ผลเหล่านี้แต่เพียงผู้เดียว3โครงการสูงโปรไฟล์ เงินหนักถูกสำนึก sobering ภาษาธรรมชาติ แม้ในการเด็กรู้ระดับ เป็นสื่อทันสมัยสมจริงอย่างน่าอัศจรรย์ที่ไม่ยอมไปเทคนิคง่าย ๆ สามารถขึ้นอยู่กับสิ่งที่เราถือว่าเป็นความรู้ "สามัญสำนึก"แม้มีที่ — หรือ โน้ม เพราะ — ธรรมชาติของมันทุกวันเป็นหนักเป็นพิเศษในการเข้ารหัสและใช้อัลกอริทึมแบบ [Lenat, 1995]ผลเหล่านี้ล้มเหลวอาย และ เผยมาก นักวิจัยออกเป็น "ของเล่นโลก " — โดยเฉพาะอย่างยิ่ง"บล็อกโลก" ของวัตถุรูปทรงเรขาคณิต รูปทรง สี และซ้อนการดำเนินการซึ่งที่มีความหมายมีความชัดเจน และเป็นไปได้ในการเข้ารหัสอย่างชัดเจน แต่มันค่อย ๆ กลายเป็นชัดเจนว่า ความสำเร็จในโลกของเล่น ว่าประทับใจตอนแรก ไม่แปลเป็นความสำเร็จในชิ้นส่วนที่เหมือนจริงของข้อความ โลกแห่งของเล่นเทคนิคจัดการกับเทียมสร้างประโยคของสิ่งหนึ่งอาจเรียกหลากหลาย "กระเจี๊ยวและเจน" หลังจากซีรีส์ของงานมหกรรมเรื่องราวของเด็ก แต่พวกเขาล้มเหลว dismally เมื่อต้องเผชิญกับข้อความจริง ว่าบรรจงสร้าง และแก้ไข (เช่นบทความนี้) หรือผลิตภายใต้ข้อจำกัดแบบเรียลไทม์ (ชอบเป็นการสนทนา)ในขณะเดียวกัน นักวิจัยในพื้นที่อื่น ๆ ก็มีการจัดการกับข้อความจริง กับทุกข์ของidiosyncrasies และข้อผิดพลาด รูปแบบการบีบอัด เช่น ต้องทำงานกับทั้งหมดเอกสาร หากเนื้อหา และหลีกเลี่ยงความล้มเหลวแม้ว่าจะประมวลผลยุคถือแฟ้ม (เช่นแฟ้มไบนารี หรือป้อนข้อมูลแบบสุ่มอย่างสมบูรณ์) การเรียกข้อมูลระบบต้องทำดัชนีเอกสารทุกประเภท และให้เป็นอยู่ได้อย่างมีประสิทธิภาพสิ่งของพวกเขาเรื่องหรือความถูกต้องทางภาษา อัลกอริธึมคีย์วลีสกัดและข้อความการสรุปความต้องทำงานดีในแฟ้มข้อความใด ๆ ปฏิบัติ ทำงานในพื้นที่เหล่านี้มีระบบ topicindependentและส่วนใหญ่เป็นภาษาอิสระ ทำงาน โดยการจัดการข้อมูลกับมันข้อมูล ภาษาไม่ได้การทำเหมืองข้อความคือ การไปคิด "จริงข้อความ" นี้ ยอมรับว่า มีไม่มากนักสิ่งที่สามารถทำได้ ด้วยการป้อนข้อมูลไม่จำกัด สามารถความสามารถในการประมวลผลข้อความจำนวนมากชดเชยสำหรับเทคนิคที่ค่อนข้างง่าย ประมวลผลภาษาธรรมชาติ ครอบงำในการวัยเด็กความทะเยอทะยานที่ไม่สมจริงและแกว่งในวัยเด็กสุดอื่น ๆ ของบวกเชิงโลกเทียมและข้อความ จำนวนเล็กน้อยมีสุก และตอนนี้ โอบกอดทั้งสองมุมมอง:การประมวลผลข้อจำกัดค่อนข้างตื้นและการประมวลผลค่อนข้างลึกเฉพาะของโดเมนวัสดุที่เป็นที่น่าสนใจว่า การทำเหมืองข้อมูลยังพัฒนามาจากประวัติศาสตร์ยากที่ความสัมพันธ์ระหว่างสาขาวิชา ในกรณีนี้เครื่องเรียนรู้ — รากในคอมพิวเตอร์ทดลองวิทยาศาสตร์ ที่มีกิจวิธีการประเมินผล — และสถิติได้ด้วยเหตุผลทางทฤษฎี แต่ตามประเพณีของทดสอบ hypotheses ระบุไว้อย่างชัดเจน มากกว่าการหาข้อมูลใหม่ เรียนรู้ของเครื่องก่อนนักวิจัยรู้ หรือดูแลเล็ก ๆ น้อย ๆ ของสถิติ นักวิจัยช่วงบนโครงสร้างสถิติ hypothesesยังคงไม่รู้ทำงานขนานในเรียนรู้ของเครื่อง ผลคือคล้ายว่าเทคนิค (สำหรับตัวอย่าง อาคารต้นไม้ตัดสินใจ และเรียนใกล้บ้าน) ที่เกิดขึ้นใน p

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อความปรากฏที่จะโอบกอดทั้งการประมวลผลภาษาธรรมชาติอัตโนมัติและเนื้อหา
ที่ไกลมากขึ้นนอกจากนี้ตัวอย่างเช่นการวิเคราะห์โครงสร้างการเชื่อมโยงเช่นการอ้างอิงในทางวิชาการ
วรรณกรรมและเชื่อมโยงหลายมิติในวรรณคดีเว็บทั้งแหล่งที่มาของข้อมูลที่เป็นประโยชน์ที่อยู่นอก
โดเมนแบบดั้งเดิมของการประมวลผลภาษาธรรมชาติ แต่ในความเป็นจริงมากที่สุดความพยายามของการทำเหมืองข้อความ
รู้ตัวหลีกเลี่ยงลึกองค์ความรู้ด้านการประมวลผลภาษาธรรมชาติคลาสสิกในความโปรดปรานของ
เทคนิคตื้นขึ้นคล้ายกับที่ใช้ในการดึงข้อมูลที่เป็นประโยชน์.
เหตุผลที่เป็นที่เข้าใจกันดีที่สุดในบริบทของการพัฒนาทางประวัติศาสตร์ของ เรื่องของธรรมชาติ
การประมวลผลภาษา รากของฟิลด์อยู่ในโครงการการแปลอัตโนมัติในปี 1940 และปลาย
ช่วงต้นทศวรรษ 1950 ซึ่งเป็นชีวิตจิตใจสันนิษฐานว่ากลยุทธ์อยู่บนพื้นฐานของการแปลคำต่อคำจะ
ให้ดีและมีประโยชน์แปลหยาบที่ได้อย่างง่ายดายเฉียบคมเป็นสิ่งที่
ถูกต้องโดยใช้เทคนิคการขึ้นอยู่กับระดับประถมศึกษา การวิเคราะห์ประโยค แต่ผล แต่เพียงผู้เดียวของทั้ง
3
โครงการสูงโปรไฟล์หนักได้รับการสนับสนุนเป็นสำนึกสติว่าภาษาธรรมชาติแม้กระทั่งใน
ระดับเด็กที่ไม่รู้หนังสือของเป็นสื่อที่มีความซับซ้อนอย่างน่าอัศจรรย์ที่ไม่ยอมจำนนต่อ
เทคนิคง่าย มันขึ้นอยู่อย่างมากกับสิ่งที่เราถือว่าเป็น "สามัญสำนึก" ความรู้
ซึ่งแม้จะมีหรือมีโอกาสมากขึ้นเพราะมันธรรมชาติในชีวิตประจำวันเป็นเรื่องยากโดยเฉพาะอย่างยิ่งในการเข้ารหัส
และใช้ประโยชน์ในรูปแบบอัลกอริทึม [Lenat 1995].
ในฐานะที่เป็นผลมาจากการเหล่านี้ และความล้มเหลวที่น่าอายมากประชาสัมพันธ์นักวิจัยถอยกลับเข้าไปใน "ของเล่น
โลก" -notably ว่า "บล็อกโลก" ของวัตถุทางเรขาคณิตรูปทรงสีและซ้อน
การดำเนินงานที่มีความหมายมีความชัดเจนและเป็นไปได้ในการเข้ารหัสอย่างชัดเจน แต่มันก็ค่อย ๆ กลายเป็น
ที่ชัดเจนว่าประสบความสำเร็จในโลกของเล่น แต่ที่น่าประทับใจครั้งแรกไม่ได้แปลเป็นความสำเร็จใน
ชิ้นที่เป็นจริงของข้อความ เทคนิคของเล่นโลกรับมือได้ดีกับประโยคเทียมสร้างของ
สิ่งที่อาจจะเรียกความหลากหลาย "ดิ๊กและเจน" หลังจากซีรีส์ที่รู้จักกันดีของบาร์นี้
เรื่องราวของเด็ก แต่พวกเขาล้มเหลว dismally เมื่อเผชิญหน้ากับข้อความจริงไม่ว่าจะพยายาม
สร้างและแก้ไข (ชอบบทความนี้) หรือผลิตภายใต้ข้อ จำกัด ของเวลาจริง (เช่นทางการ
สนทนา).
ในขณะเดียวกันนักวิจัยในพื้นที่อื่น ๆ ก็มีการจัดการกับข้อความจริงกับทุกคน หลากหลาย,
นิสัยและข้อผิดพลาด รูปแบบการบีบอัดตัวอย่างเช่นต้องทำงานได้ดีกับทุก
เอกสารสิ่งที่เนื้อหาของพวกเขาและหลีกเลี่ยงความล้มเหลวหายนะแม้ในขณะที่การประมวลผล
ไฟล์เบี่ยงเบนอุกอาจ (เช่นไฟล์ไบนารีหรือการป้อนข้อมูลแบบสุ่มสมบูรณ์) การดึงข้อมูล
ระบบต้องดัชนีเอกสารทุกประเภทและช่วยให้พวกเขาที่จะตั้งอยู่ได้อย่างมีประสิทธิภาพสิ่งที่พวกเขา
เรื่องความถูกต้องหรือภาษาศาสตร์ สกัดวลีที่สำคัญและสรุปข้อความขั้นตอนวิธีการ
ต้องทำงานที่ดีในไฟล์ข้อความใด ๆ ในทางปฏิบัติระบบการทำงานในพื้นที่เหล่านี้ topicindependent,
และส่วนใหญ่จะภาษาอิสระ พวกเขาทำงานโดยการรักษาการป้อนข้อมูลราวกับว่ามัน
เป็นข้อมูลที่ไม่ใช่ภาษา.
การทำเหมืองข้อความเป็นผลพลอยได้นี้ "ข้อความของจริง" ความคิด ยอมรับว่ามันอาจจะไม่มาก
สิ่งที่สามารถทำได้ด้วยการป้อนข้อมูลที่ไม่ จำกัด ? Can ความสามารถในการประมวลผลจำนวนมากของข้อความ
ชดเชยสำหรับเทคนิคที่ค่อนข้างง่าย? การประมวลผลภาษาธรรมชาติที่โดดเด่นในของ
วัยเด็กโดยมีความทะเยอทะยานที่ไม่สมจริงและแกว่งในวัยเด็กไปมากบวกอื่น ๆ ของ
โลกเทียมและปริมาณเล็กน้อยของข้อความได้ครบกำหนดและตอนนี้ทั้งสองโอบกอดมุมมอง:
การประมวลผลที่ค่อนข้างตื้นของข้อความที่ไม่ จำกัด และการประมวลผลค่อนข้างลึกของโดเมนที่ เฉพาะ
วัสดุ.
เป็นที่น่าสนใจว่าการทำเหมืองข้อมูลยังวิวัฒนาการมาจากประวัติศาสตร์ของความสัมพันธ์ที่ยากระหว่าง
สาขาในกรณีนี้การเรียนรู้เครื่องหยั่งรากในวิทยาการคอมพิวเตอร์ทดลองกับเฉพาะกิจ
การประเมินวิธีการและสถิติมีเหตุผลดีในทางทฤษฎี แต่ขึ้นอยู่กับ เป็นประเพณีของการ
ทดสอบสมมติฐานอย่างชัดเจนที่ระบุไว้มากกว่าการแสวงหาข้อมูลใหม่ เครื่องในช่วงต้นของการเรียนรู้ที่
นักวิจัยรู้หรือได้รับการดูแลเล็ก ๆ น้อย ๆ ของสถิติ; นักวิจัยในช่วงต้นของโครงสร้างสมมติฐานทางสถิติ
ยังคงโง่เขลาของการทำงานแบบคู่ขนานในการเรียนรู้ของเครื่อง ผลก็คือเทคนิคที่คล้ายกัน (
ตัวอย่างเช่นการสร้างการตัดสินใจต้นไม้ที่ใกล้ที่สุดและเพื่อนบ้านเรียน) เกิดขึ้นใน P

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลจะปรากฏขึ้นเพื่อโอบกอดทั้งหมดของการประมวลผลภาษาธรรมชาติ อัตโนมัติ และ อย่างไกลมากขึ้นนอกจากตัวอย่าง การวิเคราะห์การเชื่อมโยงโครงสร้างเช่นการอ้างอิงในทางวิชาการวรรณกรรมและเชื่อมโยงหลายมิติในเว็บวรรณกรรม ทั้งประโยชน์ แหล่งข้อมูลที่อยู่ภายนอกโดเมนดั้งเดิมของการประมวลผลภาษาธรรมชาติ แต่ในความเป็นจริงความพยายามทำเหมืองข้อความมากที่สุดconsciously ชุนลึก การรับรู้ด้านการประมวลผลภาษาธรรมชาติคลาสสิกชอบตื้นขึ้นเทคนิคมากขึ้นคล้ายกับที่ใช้ในการสืบค้นข้อมูลที่เป็นประโยชน์เหตุผลที่ดีที่สุดคือการเข้าใจในบริบทของประวัติศาสตร์ของการพัฒนาในเรื่องของธรรมชาติการประมวลผลภาษา รากของฟิลด์อยู่ในโครงการแปลอัตโนมัติในปลายทศวรรษที่ 1940 และ1950s , ที่มีผู้สันนิษฐานว่ากลยุทธ์บนพื้นฐานของคำสำหรับการแปลคำจะให้เหมาะสมและมีประโยชน์ ขรุขระ แปลว่าอาจจะฝึกฝนในสิ่งที่เพิ่มเติมการใช้เทคนิคการวิเคราะห์ที่ถูกต้องตามไวยากรณ์เบื้องต้น แต่เพียงผู้เดียวผลเหล่านี้3 .โด่ง , สนับสนุนงานโครงการ คือการรับรู้ว่า ถึงแม้ในภาษาธรรมชาติระดับการศึกษาของเด็ก เป็นเรื่องที่ซับซ้อนปานกลาง ที่ไม่ก้มหัวให้เทคนิคแบบง่ายๆ มันขึ้นอยู่กับส่วนใหญ่ในสิ่งที่เราเห็นว่า " ความรู้สามัญสำนึก "ซึ่งแม้ หรือ มากกว่า เพราะธรรมชาติทุกวันของมันโคตรหนักเข้ารหัสและใช้ในขั้นตอนวิธีแบบ lenat [ 1995 ]ผลของความล้มเหลวเหล่านี้น่าอับอายและการเผยแพร่มาก นักวิจัย ถอนออกเป็น " ของเล่นโลก " โดยเฉพาะ " บล็อก " โลกของวัตถุทางเรขาคณิต รูปทรง สี และ ราคาถูกงานที่มีความหมาย มีความชัดเจน และสามารถเข้ารหัสได้อย่างชัดเจน แต่มันค่อยๆกลายเป็นปรากฏ ว่า ความสำเร็จในโลกของเล่น แต่น่าประทับใจ ในตอนแรก มันไม่ได้แปลว่า ความสำเร็จในมีเหตุผลชิ้นของข้อความ เทคนิคจัดการกับโลกของเล่นหรือสร้างประโยคของสิ่งหนึ่งอาจเรียก " ดิ๊คและเจน " ต่าง ๆหลังจากที่ชุดของบาร์ที่รู้จักกันดีเรื่องราวของเด็ก ๆ แต่พวกเขาล้มเหลว dismally เมื่อเผชิญหน้ากับข้อความจริง ไม่ว่าอย่างไรสร้างและแก้ไข ( เช่นบทความนี้ ) หรือผลิตภายใต้ข้อจำกัดเวลาจริง ( ชอบแบบไม่เป็นทางการการสนทนา )ขณะเดียวกัน นักวิจัยในพื้นที่อื่น ๆ ก็ต้องจัดการกับข้อความจริงกับความไม่แน่นอนของทั้งหมดidiosyncrasies และข้อผิดพลาด การบีบอัดข้อมูล เช่น ต้องทำงานได้ดีกับทุกเอกสารก็ตามที่เนื้อหาของพวกเขาและหลีกเลี่ยงหายนะความล้มเหลวแม้ว่าการประมวลผลอุกอาจไฟล์ปกติ ( เช่น ไฟล์ไบนารีหรือสุ่มทั้งหมดใส่ ) การสืบค้นสารสนเทศระบบต้องดัชนีเอกสารทุกประเภท และอนุญาตให้อยู่ในที่ของตนได้อย่างมีประสิทธิภาพเรื่อง หรือความถูกต้องทางภาษา การสกัดวลีที่สำคัญและขั้นตอนวิธีการสรุปข้อความมีการทำงานที่เหมาะสมในแฟ้มข้อความใด ๆ ในทางปฏิบัติ ระบบการทำงานในพื้นที่เหล่านี้จะ topicindependent ,และส่วนใหญ่เป็นภาษาอิสระ พวกเขาทำงานโดยการใส่ก็ตามมีข้อมูล ไม่ใช่ภาษาการทำเหมืองข้อมูลเป็นผลพลอยได้ของ " ข้อความ " จริงความคิด . ยอมรับว่า มันอาจจะไม่มากจะทำอะไรได้กับไม่จำกัดการป้อนข้อมูล ? สามารถความสามารถในกระบวนการขนาดใหญ่ปริมาณของข้อความชดเชยเทคนิคที่ค่อนข้างง่าย ? การประมวลผลภาษาธรรมชาติ , ครอบงำในวัยทารกโดยความทะเยอทะยานที่สมจริงและแกว่งในวัยเด็กที่รุนแรงอื่น ๆของ unrealisticallyโลกเทียมและเล็กน้อยปริมาณข้อความโตขึ้นแล้วโอบกอดทั้งมุมมอง :การประมวลผลค่อนข้างตื้นของข้อความที่ไม่จำกัดและการประมวลผลค่อนข้างลึกของโดเมนที่เฉพาะเจาะจงวัสดุมันเป็นที่น่าสนใจที่การทำเหมืองข้อมูลยังวิวัฒนาการมาจากประวัติของยาก ความสัมพันธ์ระหว่างวินัย ในกรณีนี้ การเรียนรู้เครื่อง rooted ในคอมพิวเตอร์ ทดลองกับเฉพาะกิจการประเมินวิธีการสถิติและมีเหตุผลที่ดีในทางทฤษฎี แต่ตามประเพณีของการทดสอบสมมติฐานของการวิจัยอย่างชัดเจนมากกว่าการแสวงหาข้อมูลใหม่ การเรียนรู้เครื่องก่อนนักวิจัยรู้หรือสนใจของนักวิจัยเชิงสถิติ สมมติฐานทางสถิติก่อนยังคงโง่เขลาของทำงานคู่ขนานในการเรียนรู้เครื่อง พบว่าเทคนิคที่คล้ายกัน ( สำหรับตัวอย่างอาคาร ต้นไม้ การตัดสินใจ และเพื่อนบ้านที่ใกล้ที่สุดของผู้เรียน ) เกิดขึ้นใน p