Understanding topic hierarchies in

Understanding topic hierarchies in text streams and their evolution patterns over time is very important in many applications. In this paper, we propose an evolutionary multi-branch tree clustering method for streaming text data. We build evolutionary trees in a Bayesian online filtering framework. The tree construction is formulated as an online posterior estimation problem, which considers both the likelihood of the current tree and conditional prior given the previous tree. We also introduce a constraint model to compute the conditional prior of a tree in the multi-branch setting. Experiments on real world news data demonstrate that our algorithm can better incorporate historical tree information and is more efficient and effective than the traditional evolutionary hierarchical clustering algorithm.

ผลลัพธ์ (ไทย) 1:

การทำความเข้าใจในลำดับชั้นหัวข้อลำธารข้อความและรูปแบบการวิวัฒนาการของพวกเขาในช่วงเวลาเป็นสิ่งสำคัญมากในการใช้งานมาก ในบทความนี้เรานำเสนอวิวัฒนาการหลายสาขาวิธีการจัดกลุ่มต้นไม้สำหรับการสตรีมข้อมูลที่เป็นข้อความ เราสร้างต้นไม้วิวัฒนาการในกรอบเบส์ออนไลน์กรอง การก่อสร้างต้นไม้เป็นสูตรที่เป็นปัญหาประมาณออนไลน์หลังที่จะพิจารณาความเป็นไปได้ทั้งสองของต้นไม้ในปัจจุบันและเงื่อนไขที่กำหนดก่อนที่ต้นไม้หน้าที่แล้ว เรายังแนะนำแบบข้อ จำกัด ในการคำนวณก่อนที่เงื่อนไขของต้นไม้ในการตั้งค่าหลายสาขาการทดลองกับข้อมูลข่าวโลกแห่งความจริงแสดงให้เห็นว่าอัลกอริทึมของเราดีขึ้นสามารถรวมข้อมูลต้นไม้ประวัติศาสตร์และมีประสิทธิภาพมากขึ้นและมีประสิทธิภาพมากกว่าแบบดั้งเดิมขั้นตอนวิธีการจัดกลุ่มวิวัฒนาการลำดับชั้น

ผลลัพธ์ (ไทย) 2:

ลำดับชั้นของหัวข้อความเข้าใจในกระแสข้อมูลของข้อความและรูปแบบของวิวัฒนาการช่วงเวลาเป็นสิ่งสำคัญมากในงานหลาย ๆ ในเอกสารนี้ เราเสนอแผนภูมิหลายสาขามีวิวัฒนาการคลัสเตอร์วิธีการสตรีมมิ่งข้อมูลข้อความ เราสร้างต้นไม้ในกรอบกรองออนไลน์ทฤษฎีวิวัฒนาการ การสร้างแผนภูมิเป็นสูตรเป็นการประเมินหลังออนไลน์ปัญหา ซึ่งพิจารณาทั้งโอกาสต้นไม้ในปัจจุบันและเงื่อนไขก่อนรับต้นก่อนหน้านี้ นอกจากนี้เรายังแนะนำแบบข้อจำกัดการคำนวณล่วงหน้าตามเงื่อนไขของแผนภูมิในการตั้งค่าหลายสาขา ทดลองบนข้อมูลข่าวสารของโลกแสดงให้เห็นว่า อัลกอริทึมของเราดีขึ้นสามารถรวมแผนภูมิประวัติศาสตร์ข้อมูล และมีประสิทธิภาพมากขึ้น และมีประสิทธิภาพกว่าเดิมวิวัฒนาการตามลำดับชั้นระบบคลัสเตอร์อัลกอริธึม

ผลลัพธ์ (ไทย) 3:

หัวข้อการทำความเข้าใจลำดับชั้นในสตรีมข้อความและรูปแบบของการพัฒนามากกว่าเวลามีความสำคัญเป็นอย่างมากในแอปพลิเคชันจำนวนมาก ในเอกสารนี้เราเสนอทรีวิวัฒนาการแบบมัลติ - สาขาที่ใช้วิธีการทำงานแบบคลัสเตอร์สำหรับการสตรีมข้อมูลข้อความ เราสร้างต้นไม้วิวัฒนาการในการกรอง Bayesian ออนไลน์ที่กรอบ การก่อสร้างทรีที่ถูกกำหนดขึ้นเป็นปัญหากะ ภายหลัง ทางออนไลน์ได้ซึ่งเห็นว่าความเป็นไปได้ของทรีในปัจจุบันและมีเงื่อนไขทั้งสองก่อนมอบให้ต้นก่อนหน้าที่ นอกจากนั้นเรายังแนะนำรุ่นข้อบังคับที่จะประมวลผลการตั้งค่าก่อนหน้าของต้นไม้ในหลายสาขาได้โดยมีเงื่อนไขการทดลองในข้อมูลข่าวโลกของความเป็นจริงแสดงให้เห็นว่าอัลกอริธึมของเราสามารถรวมข้อมูลโครงสร้างแบบ Tree ทางประวัติศาสตร์ได้ดียิ่งขึ้นและมี ประสิทธิภาพ มากขึ้นและมี ประสิทธิภาพ มากกว่าอัลกอริธึมระบบคลัสเตอร์แบบลำดับชั้นกว่าแบบดั้งเดิม