Enhancing performance of big data applying similarity over detected community
Notice bibliographique
Résumé
The enhancing Performance of Big Data applying Similarity over Detected Community using\nMachine learning (ML) allows social network analysis and the Internet of Things (IoT) to gain\nhidden insights from the treasure trove of sensed data and be truly ubiquitous without explicitly\nlooking for the knowledge and patterns. Without ML, social network analysis is ineffective,\nand IoT cannot withstand the future requirements of businesses, governments, and individual\nusers. The primary goal of IoT is to perceive what is happening in our surroundings and later\nautomate the decision making, which will mimic the decisions made by humans. Further,\nnetwork analysis is highly dependent on finding similarities across all communities. The\ncommunity can be strengthened with the help of content information. However, it is highly\nrestricted to the noise present on most networks, especially in the link structure. This thesis\noutlines an essential way to integrate content and link information into graph-based designs to\nfacilitate public access. It also attempts to reduce the impact of frequent noise on social\nnetworking sites and web-based information networks.\nWe propose to calculate signal strength between nodes across a network by combining the\npower of a link, which that link may lie within the community, by the content similarity that\ncan be measured using cosine similarity or Jaccard coefficient. In addition, we discuss the\nprocess of sampling in keeping the right edges in place of the whole element of the graph.\nGraph results can be compiled using standard algorithms used for public acquisition, such as\nMarkov-clustering and METIS. We have tried real-world data sets (Wikipedia, CiteSeer, and\nFlickr) that change sizes and parameters to understand the effectiveness of our method\ncompared to the existing one. We have tried to find a useful way to integrate content analysis\nand linking methods with the method of graph deviation.\nIn this thesis, we performed social network analysis, and we classify IoT and related ML\nliterature from three perspectives: data, application, and industry. In this thesis, we emphasize\nbringing awareness and enhancing the understanding of how ML can play a significant role in\nmaking our environment smarter and more intelligent. The thesis helps to understand better\nML's function and its effects in a broader context of social network analysis and IoT. This\nthesis also discussed emerging IoT trends: Internet of Behaviors (IoB), pandemic\nmanagement, connected autonomous vehicles, edge and fog computing, and deep learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».