A ranked list of entities is assume

A ranked list of entities is assumed to
positively improve the selection of the most
relevant candidate cluster (the ranking algorithm is
based on AktiveRank by Alani et al. [2006] and is
thoroughly described in [Tomassen & Strasunskas,
2009]). An underlying assumption is that more
information is available for the most central
entities (they are the most semantically rich by
having the largest number of relations and by
being central to other entities) and consequently
they are better candidates to distinguish relevant candidate clusters. The most prominent cluster
candidates are later used to identify new candidate
clusters, and so on. However, a potential problem
with this approach is the drifting of focus (i.e., an
erroneous candidate cluster is selected which next
is used to find the most prominent candidate
cluster of a neighbouring entity, and so forth).

ผลลัพธ์ (ไทย) 1:

คาดว่ารายรับของเอนทิตี
บวกเพิ่มการเลือกมากสุด
คลัสเตอร์ผู้เกี่ยวข้อง (อัลกอริทึมการจัดอันดับเป็น
ขึ้นอยู่กับ AktiveRank โดย Alani et al. [2006] และ
อธิบายไว้อย่างละเอียดใน [Tomassen & Strasunskas,
2009]) อัสสัมชัญเป็นต้นว่าเพิ่มเติม
ให้มากที่สุดกลาง
เอนทิตี (จะสุดทางรวยโดย
มีจำนวนที่ใหญ่ที่สุด ของความสัมพันธ์ และโดย
กำลังเซ็นทรัลเอนทิตีอื่น) และจากนั้น
เป็นผู้สมัครที่ดีแยกแยะกลุ่มผู้เกี่ยวข้อง คลัสเตอร์เด่นสุด
ผู้สมัครภายหลังใช้เพื่อระบุผู้สมัครใหม่
คลัสเตอร์ และอื่น ๆ อย่างไรก็ตาม ปัญหาศักยภาพ
ด้วยวิธีการนี้จะไปโฟกัส (เช่น การ
เลือกผู้สมัครพลาดคลัสเตอร์ถัดไปที่
ใช้ค้นหาผู้สมัครโดดเด่นที่สุด
คลัสเตอร์ของเอนทิตีเพื่อน และอื่น ๆ)

ผลลัพธ์ (ไทย) 2:

รายชื่อการจัดอันดับของหน่วยงานที่จะถือว่า
บวกปรับปรุงการเลือกมากที่สุด
กลุ่มผู้สมัครที่เกี่ยวข้อง (วิธีการจัดอันดับจะ
ขึ้นอยู่กับ AktiveRank โดย Alani ตอัล. [2006] และ
อธิบายอย่างละเอียดใน [เซ่นแอนด์ Strasunskas,
2009]) สมมติฐานพื้นฐานคือว่า
ข้อมูลที่สามารถใช้ได้สำหรับภาคกลางมากที่สุด
หน่วยงานที่ (พวกเขาจะอุดมไปด้วยความหมายมากที่สุดโดย
มีจำนวนมากที่สุดของความสัมพันธ์และ
การเป็นศูนย์กลางของหน่วยงานอื่น ๆ ) และทำให้
พวกเขาเป็นผู้สมัครที่ดีกว่าที่จะเห็นความแตกต่างของกลุ่มผู้สมัครที่เกี่ยวข้อง กลุ่มที่โดดเด่นที่สุด
ผู้สมัครจะถูกนำมาใช้ในการระบุผู้สมัครใหม่
กลุ่มและอื่น ๆ แต่ปัญหาที่อาจเกิด
ด้วยวิธีนี้เป็นดริฟท์ของการโฟกัส (เช่น
กลุ่มผู้สมัครที่ผิดพลาดจะถูกเลือกซึ่งต่อไป
จะใช้ในการหาผู้สมัครที่โดดเด่นที่สุดใน
กลุ่มขององค์กรที่อยู่ใกล้เคียงและอื่น ๆ )

ผลลัพธ์ (ไทย) 3:

มีรายชื่อของหน่วยงานจะถือว่า
บวกปรับปรุงการเลือกของกลุ่มผู้สมัครที่เกี่ยวข้องมากที่สุด

( ขั้นตอนวิธีการจัดอันดับตาม aktiverank โดยชนอาลานี et al . [ 2006 ] และอธิบายอย่างละเอียด [

] strasunskas Tomassen & , 2552 ) อัสสัมชัญเป็นต้นว่า
ข้อมูลสามารถใช้ได้สำหรับหน่วยงานกลาง
ที่สุด ( ถูกสุดเพื่อรวย
มีตัวเลขที่ใหญ่ที่สุดของความสัมพันธ์ และเป็น กลาง กับหน่วยงานอื่น ๆ

) และจากนั้นก็มีผู้สมัครที่ดีที่จะแยกกลุ่มผู้ที่เกี่ยวข้อง ผู้สมัครกลุ่ม
โดดเด่นที่สุดภายหลังที่ใช้ระบุกลุ่มผู้สมัคร
ใหม่และอื่น ๆ อย่างไรก็ตาม
ปัญหาด้วยวิธีนี้คือ ดริฟท์โฟกัส ( I ,
ที่ผิดพลาด ผู้สมัครกลุ่มที่ใช้ค้นหาซึ่งต่อไป

กลุ่มผู้สมัครที่โดดเด่นที่สุดใกล้เคียงนิติบุคคล , และอื่น ๆ )