Match-making in bartering scenarios
Notice bibliographique
Résumé
This thesis extends tree similarity based match-making from the buyer/seller situa-tion to a scenario of bilateral bartering and multi-agent ring bartering. It is built on top of the AgentMatcher tree similarity algorithm for node-labelled, arc-labelled, arc-weighted trees. A representation of these trees in a multi-dimensional space is developed to allow efficient indexing and pruning in large tree databases. The con-cept of risk is introduced to control the process of bartering ring construction. We have tested our system on the Teclantic.ca portal, where it allows researchers and companies from Atlantic Canada to share technologies as well as to be contacted by investors. ii Acknowledgements First and foremost, I would like to express my appreciation to my supervisors, Dr. Virendra C. Bhavsar and Dr. Harold Boley, who gave me a great deal of support throughout my time at UNB. They continuously contributed their time, effort and thought in guiding and helping me during the research and writing of this thesis. Also, I am grateful to the Faculty of Computer Science for their support, and to my thesis committee members. Special thanks go to Ms. Linda Sales and all her administrative colleagues for their direction and help, and to all system support staff for their technical assistance. I also thank the AgentMatcher research group for their support and advice. In particular, I also thank Mr. Lu Yang and Mr. Marcel Ball whose work predates my own, and who helped me understanding their accomplishments. Finally, I am grateful to all other people in the Faculty of Computer Science who have assisted me in the course of this work. iii
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».