Abstractthe rapid growth of informa

Abstract

the rapid growth of information in the digital world especially on the web,calls for automated
methods of organizing the digital information for convenient access and efficient
information retrieval. Topic modeling is a branch of machine learning and probabilistic
graphical modeling that helps in arranging the web pages according to their topical
structure.

The topic distribution over a set of documents (web pages) and the affinity of
a document toward a specific topic can be revealed using topic modeling. Topic modeling
algorithms are typically computationally expensive due to their iterative nature.

Recent
research efforts have attempted to parallelize specific topic models and are successful in
their attempts.

These parallel algorithms however have tightly-coupled parallel processes
which require frequent synchronization and are also tightly coupled with the underlying
topic model which is used for inferring the topic hierarchy.

In this paper, we propose a parallel
algorithm to infer topic hierarchies from a large scale document corpus. A key feature
of the proposed algorithm is that it exploits coarse grained parallelism and the components
running in parallel need not synchronize after every iteration, thus the algorithm lends
itself to be implemented on a geographically dispersed set of processing elements interconnected
through a network. The parallel algorithm realizes a speed up of 53.5 on a
32-node cluster of dual-core workstations and at the same time achieving approximately
the same likelihood or predictive accuracy as that of the sequential algorithm, with respect
to the performance of Information Retrieval tasks



dual-core

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการเติบโตอย่างรวดเร็วของข้อมูลในโลกดิจิตอลโดยเฉพาะบนเว็บ เรียกสำหรับอัตโนมัติวิธีการจัดการข้อมูลดิจิทัล สำหรับการเข้าถึงสะดวก และมีประสิทธิภาพเรียกข้อมูล โมเดลหัวข้อเป็นสาขาของเครื่องเรียน และ probabilisticสร้างแบบจำลองกราฟิกที่ช่วยในการจัดเรียงหน้าเว็บตามความเฉพาะโครงสร้างการ การกระจายหัวข้อชุดของเอกสาร (เว็บเพจ) และความสัมพันธ์ของเอกสารไปยังหัวข้อหนึ่ง ๆ สามารถถูกเปิดเผยโดยใช้โมเดลหัวข้อ โมเดลหัวข้ออัลกอริทึมโดยทั่วไปมีราคาแพงเนื่องจากธรรมชาติของพวกเขาซ้ำ computationallyล่าสุดความพยายามวิจัยได้พยายามที่จะ parallelize รุ่นหัวข้อเฉพาะ และจะประสบความสำเร็จในความพยายามของพวกเขา อัลกอริทึมแบบขนานเหล่านี้อย่างไรก็ตามมีกระบวนขนานควบคู่อย่างใกล้ชิดซึ่งต้องให้ตรงกันบ่อย และจะยังแน่นควบคู่กับตัวรูปหัวข้อซึ่งใช้สำหรับ inferring ลำดับชั้นของหัวข้อในเอกสารนี้ เราเสนอคู่ขนานอัลกอริทึมจะเข้าใจหัวข้อลำดับชั้นจากคอร์พัสคริเป็นเอกสารขนาดใหญ่ คุณลักษณะสำคัญอัลกอริทึมนำเสนอเป็นที่นำ parallelism grained หยาบและส่วนประกอบทำงานพร้อมกันต้องตรงกันหลังจากเกิดซ้ำทุก ดังนั้น อัลกอริทึมการยืดเพื่อดำเนินการประมวลผลองค์ประกอบชุดกระจัดกระจายกันทางภูมิศาสตร์เข้าใจผ่านเครือข่าย อัลกอริทึมแบบขนานตระหนักความเร็วขึ้นของ 53.5 ในการคลัสเตอร์โหน 32 ของเวิร์กสเตชันแบบ dual-core และ ในเวลาเดียวกันที่บรรลุประมาณโอกาสเดียวกันหรือถูกต้องคาดการณ์ว่าการลำดับขั้นตอนวิธี ด้วยความเคารพเพื่อประสิทธิภาพของงานเรียกข้อมูลแบบ dual-core

ผลลัพธ์ (ไทย) 2:

บทคัดย่อการเติบโตอย่างรวดเร็วของข้อมูลในโลกดิจิตอลโดยเฉพาะอย่างยิ่งบนเว็บที่เรียกร้องให้อัตโนมัติวิธีการในการจัดระเบียบข้อมูลดิจิตอลสำหรับการเข้าถึงที่สะดวกและมีประสิทธิภาพการดึงข้อมูล การสร้างแบบจำลองหัวข้อเป็นสาขาหนึ่งของการเรียนรู้เครื่องและความน่าจะเป็นการสร้างแบบจำลองแบบกราฟิกที่ช่วยในการจัดหน้าเว็บตามเฉพาะของพวกเขาโครงสร้าง. การกระจายหัวข้อกว่าชุดของเอกสาร (หน้าเว็บ) และความสัมพันธ์ของเอกสารที่มีต่อหัวข้อที่เฉพาะเจาะจงสามารถได้รับการเปิดเผยโดยใช้แบบจำลองหัวข้อ หัวข้อการสร้างแบบจำลองขั้นตอนวิธีการโดยทั่วไปจะมีราคาแพงคอมพิวเตอร์เนื่องจากลักษณะซ้ำของพวกเขา. เมื่อเร็ว ๆ นี้การวิจัยได้พยายามที่จะคู่ขนานรุ่นหัวข้อที่เฉพาะเจาะจงและประสบความสำเร็จในความพยายามของพวกเขา. เหล่านี้ขั้นตอนวิธีการแบบคู่ขนาน แต่มีแน่นควบคู่กระบวนการขนานซึ่งต้องประสานบ่อยและนอกจากนี้ยังมีคู่แน่นกับพื้นฐานรูปแบบหัวข้อที่ใช้สำหรับการอนุมานลำดับชั้นหัวข้อ. ในบทความนี้เรานำเสนอขนานอัลกอริทึมเพื่อสรุปหัวข้อลำดับชั้นจากคลังเอกสารขนาดใหญ่ คุณลักษณะที่สำคัญของอัลกอริทึมที่นำเสนอก็คือว่ามันใช้ประโยชน์จากความเท่าเทียมเนื้อหยาบและส่วนประกอบการทำงานในแบบคู่ขนานไม่จำเป็นต้องประสานทุกครั้งหลังจากซ้ำดังนั้นขั้นตอนวิธียืมตัวเองที่จะดำเนินการกับชุดกระจายทางภูมิศาสตร์ขององค์ประกอบการประมวลผลที่เชื่อมต่อผ่านเครือข่าย อัลกอริทึมแบบขนานตระหนักถึงความเร็วขึ้นจาก 53.5 ในกลุ่ม32 โหนดของเวิร์กสเตชันแบบ dual-core และในเวลาเดียวกันการบรรลุประมาณความน่าจะเป็นเหมือนกันหรือความถูกต้องของการทำนายเป็นที่ของอัลกอริทึมลำดับที่เกี่ยวกับการปฏิบัติงานข้อมูลการดึงคู่-core

ผลลัพธ์ (ไทย) 3:

นามธรรม

การเจริญเติบโตอย่างรวดเร็วของข้อมูลในโลกดิจิตอลโดยเฉพาะอย่างยิ่งบนเว็บ , โทรศัพท์อัตโนมัติ
วิธีการของการจัดระเบียบข้อมูลดิจิตอลสำหรับการเข้าถึงที่สะดวกและการสืบค้นข้อมูลที่มีประสิทธิภาพ

แบบหัวข้อเป็นสาขาของการเรียนรู้ของเครื่องและการสร้างแบบจำลองกราฟิก probabilistic
ที่ช่วยในการจัดหน้าเว็บตามโครงสร้างเฉพาะที่
.

หัวข้อการกระจายผ่านชุดของเอกสาร ( หน้าเว็บ ) และความสัมพันธ์ของ
เอกสารไปยังหัวข้อที่เฉพาะเจาะจงสามารถพบโดยใช้แบบจำลองหัวข้อ หัวข้อ computationally ขั้นตอนวิธีแบบ
มักจะแพงเนื่องจากธรรมชาติของพวกเขา การวิจัยล่าสุด


มีความพยายามพยายามที่จะ parallelize เฉพาะเรื่องรูปแบบและประสบความสำเร็จใน
ของพวกเขาพยายาม

ขั้นตอนวิธีแบบขนานเหล่านี้อย่างไรก็ตามมีแน่นคู่ขนาน ซึ่งต้องมีการประสานกระบวนการ
บ่อยครั้ง และยังแน่น บวกกับพื้นฐาน
หัวข้อแบบจำลองที่ใช้ในการจัดลำดับหัวข้อ

ในกระดาษนี้เรานำเสนอขั้นตอนวิธีแบบขนาน
สรุปว่าหัวข้อ ความคิดเห็นจากเอกสารขนาดใหญ่ คลังข้อมูล a
คุณลักษณะคีย์ของวิธีที่เสนอว่ามันหาประโยชน์เม็ดหยาบความเท่าเทียมและส่วนประกอบ
วิ่งขนานต้องไม่ตรงกันทุกครั้งหลังซ้ำ ดังนั้นขั้นตอนวิธียืม
เองเพื่อ ใช้ในทางภูมิศาสตร์การกระจายการประมวลผลชุดขององค์ประกอบที่เชื่อมต่อกัน
ผ่านทางเครือข่าย ขั้นตอนวิธีแบบขนาน ตระหนัก ความเร็วขึ้นจาก 53.5 ใน
32 โหนดคลัสเตอร์ของ Dual Core และประสิทธิภาพในเวลาเดียวกันบรรลุประมาณ
โอกาสเดียวกันหรือความถูกต้องของขั้นตอนวิธีการทำนายเป็นลำดับ ด้วยความเคารพ
เพื่อประสิทธิภาพของการสืบค้นงาน



สองแกน