A Multiview Point Perspective on Clustering Algorithms for Similarity Evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid expansion of digital content on the internet has significantly increased the volume of online documents, making the tasks of managing, searching, and retrieving information more complex. One of the most challenging aspects of this process is accurately assessing the similarities and differences between documents or their attributes. Various clustering algorithms have been proposed to address these challenges by determining the degree of similarity between elements in a dataset. Cluster analysis involves partitioning a set of N objects into smaller groups or clusters, such that the objects in the same cluster exhibit higher similarity to each other than to objects in other clusters. The similarity between objects can be explicitly or implicitly defined, depending on the context. This paper introduces a new approach to measuring similarity in document clustering based on multiple viewpoints (MVS). This method is compared with traditional K-means clustering algorithms. The fundamental difference between MVS and traditional approaches lies in the use of multiple viewpoints instead of a single viewpoint, which is common in traditional clustering methods. In this new approach, objects such as documents are measured not only with respect to their own cluster but also from viewpoints external to the clusters they belong to. The comparison between the K-means algorithm and the proposed incremental multiviewpoint-based clustering method is conducted, and simulation results demonstrate that the latter offers improved accuracy in clustering document data. The proposed method is implemented using Java programming, and the results highlight the advantages of the Incremental Multiviewpoint-Based Clustering approach in document similarity measurement.
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.
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 | 0,008 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle