Etki Alanı Modeli – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez Yazdırma Fiyatları

Etki Alanı Modeli

Alan modeli, iki parçalı grafiğin formalizmini kullanan CPS görevinin bir bölümü için uzman bilgisinin bir temsilidir. Otomatik puanlama açısından, alan modelleme tam olarak uzmanın cevaplarını (yani CPS testi için anahtarlar), fikir ve açıklamanın köşe alt kümelerinin yanı sıra fikir-açıklama bağlantısının uç kümelerinin olduğu resmi bir model olarak düzenlemeyi ifade eder. açıkça temsil edilir ve sistemde saklanır.

Etki alanı modeli yazma görevi, önceden tanımlanmış bir XML tabanlı veri modeli kullanılarak etki alanı uzmanları tarafından manuel olarak gerçekleştirilir. Kısmi etki alanı modeli için bir XML belgesi gösterir. <ideas> ve <reasons> öğeleri, sırasıyla CPS görevi için uzmanın fikrini ve açıklamasını açıklar ve <pairs> öğesi, iki ayrık fikir ve neden alt kümesini birbirine bağlayan bağlantılara açıklama ekler.

XML’in dahil edilmesinin yalnızca sistemi uygulamak için yazma, ayrıştırma ve işleme kolaylığı için sözdizimleri sağladığını, ancak etki alanı modelleri için bir anlambilimsel birlikte çalışabilirlik biçimi sağlamadığını unutmayın. İlgili konular daha fazla incelemeyi hak ediyor, ancak bu makalenin kapsamı dışındadır.

Puanlama Temsilcisi

Puanlama aracısı, otomatik puanlama işlevlerini uygulayan bir yazılım modülüdür. Puanlama aracısının temel amacı, kullanıcıların CPS testine verdiği yanıtlara dayalı olarak iki parçalı grafik tabanlı kullanıcı modelleri oluşturmaktır.

U kullanıcısından PU={p1, p2, …, pn}bir dizi yanıt çifti verildiğinde, burada pi=( i, i) ve i ve i sırasıyla kullanıcının fikir ve açıklama için doğal dil girdilerini gösterir. Şu anki yaklaşımımız, GD=(AD BD, ED) etki alanı modelinin en uygun alt kümelerini bulmaktır, bu da CPS kavramlarının U kullanıcısı ile D uzmanı arasında çakıştığını gösterir. Yani, her fikir girişi için, a’nın içeriğine göre bir AD seçin. en çok benzerdir ve her nedenden dolayı aynı prosedürü gerçekleştirmek için giriş AD yerine BD’yi kullanın.

Kaçınılmaz olarak, prosedürün hesaplama karmaşıklığını kontrol etmek için bazı varsayımlar yapılmalıdır. Varsayımlar şunları içerir: 1) birkaç kullanıcı girişinin etki alanı modelinin aynı kavram düğümüne atıfta bulunmasına izin verilir ve 2) kullanıcıların fikir ve açıklama girişleri örtüşmez (yani, ayrık).

Başka bir deyişle, şemamızda kullanıcı modelleri oluşturma görevi, hesaplama maliyetini önemli ölçüde artıracak bir optimizasyon problemi değildir. Neyse ki, bu basitleştirme çoğu CPS teorisi için makuldür ve otomatik puanlama için geçerliliği ampirik doğrulama ile doğrulanabilir.

Şekil 4, girdi olarak bir doğal dil girişi ve model oluşturmanın temeli olarak etki alanı modeli kullanarak kavram düğümlerini (yani iki parçalı grafikteki köşeleri) belirleme ve somutlaştırma prosedürünü gösterir. Temel fikir, her kullanıcı girişi için etki alanı modelinden en uygun kavram düğümlerini almak için Bilgi Erişiminde (IR) kullanılan belirteç tabanlı benzerlik ölçümlerini kullanmaktır.

Etki alanı tanımı Nedir
Mıknatısın etki alanı
Etki alanı kullanıcı adı
Marun. WİFİ etki alanı
Etki alanı Domain nedir
etki alanı adı sistemi (dns) alıcının etki alanının mevcut olmadığını bildirdi
Wifi etki alanı Nedir
Mail etki alanı Nedir

2. satırda, kullanıcı girişi ilk olarak, CPS etki alanı için oluşturulmuş bir eşanlamlı sözlüğünü T kullanarak durdurma sözcüklerini kaldırmayı ve ifadeleri düzeltmeyi amaçlayan Wording_Processing() işlevi tarafından işlenir. İfade iyileştirme adımı, kullanıcıların ve uzmanların terim kullanımını mümkün olduğunca tutarlı hale getirmeyi amaçlar.

3. satırdan 7. satıra kadar ön işleme adımlarından sonra, iki dizeden oluşan yinelemeli bir ad eşleştirme görevi gerçekleştirilir. 5. satırda kullanılan benzerlik metriğinin değiştirilebilir olduğunu ve farklı metriklerin çıktının doğruluğunu etkileyebileceğini unutmayın. Burada iki jeton tabanlı uzaklık fonksiyonunu ele alıyoruz, Jaccard ve TFIDF. Sırasıyla 2. satırda ve 4. satırda açıklandığı gibi I’ ve N tanımları verildiğinde, Jaccard benzerliği şu şekilde tanımlanır.

V(w, S), burada kullandığımız iki metriğe ilişkin daha fazla ayrıntı için TFIDF terim ağırlıklandırma şemasına dayalı olarak S dizisindeki her w teriminin normalleştirilmiş ağırlığıdır. Son olarak, 8. satırdan 12. satıra kadar, görev en yüksek benzerlik puanına sahip düğümü seçmektir. Düğüm, 1. satırda belirtildiği gibi minimum eşiği aşmazsa, o giriş için işlenen metinle yeni bir düğüm başlatılır.

Niteliksel olarak konuşursak, yeni düğümler, alışılmışın dışında ve hatta hatalı olabilse de, kullanıcı tarafından uzmanın beklentisinin ötesinde oluşturulmuş yeni ve benzersiz bir konsepte atıfta bulunabilir. Açıkçası, başlangıçta bahsedilen bütünsel puanlama eksikliğini gidermek için bu düğümleri araştırarak nitel analiz yapmak mümkündür. Bu vakaların özellikleri daha fazla araştırmayı ve çalışmayı hak ediyor.

Prosedür pratik kullanım için hesaplama açısından uygundur. Concept_Identify yordamı kullanılarak tanımlanacak tek bir kullanıcı girişi için, hesaplama maliyeti || ile doğrusaldır. Tek bir alt aşamadaki (yani, bir fikir/açıklama aşaması) h ve toplam alt aşamaların sayısı k’deki olası maksimum giriş sayısı göz önüne alındığında, model oluşturma görevi için zaman karmaşıklığı O(kh) ile sınırlıdır.

h ve | | için değerler çoğunlukla onlar mertebesindedir ve k için, çoğu CPS teorisine göre değer 10’u geçmez. Yani bu seviyedeki toplam maliyet kabul edilebilir.

Ana birim hesaplama maliyetinin, farklı uzaklık fonksiyonları kullanılarak benzerlik puanı değerlendirmesinin genel giderine atıfta bulunduğunu unutmayın, örn. Jaccard veya TFIDF, bu nedenle gerçek çalışma süresi, benzerlik ölçümlerinin uygulanmasına da bağlı olacaktır. Ancak bu metrikler büyük ölçekli bilgi erişim sistemlerinde standart yöntemler olarak kullanıldığından verimli ve güvenilir uygulamalar mevcuttur. Cohen tarafından geliştirilen SecondString araç takımı şu anda kullanılmaktadır.

Otomatik Puanlama

Önceden yazılmış bir alan modeli GD=(AD BD, ED) verildiğinde, farklı fikirler, nedenler ve fikir-açıklama bağlantılarının kombinasyonları, kavramların kalitesini gösteren fark puanları verilebilir. Bu nedenle, grafiğin her bir alt kümesini puanlara dönüştürmek için puanlama işlevleri sırasıyla AD, BD ve ED’ye atanır.

SC’nin bu puanlama işlevlerinin aralığını gösterdiği ve her bir sıra değeri (ör. “normal”) sayısal puanlarla ilişkilendirilir. Daha sonra, GU=(AU BU, EU) kullanıcı modelinin puanı üzerinden türetilebilir.

Yukarıda açıklanan puanlama şemasına dayalı olarak otomatik bir puanlayıcı uyguladık. Daha sonra, ölçüt olarak insan sınıflandırıcıların puanlama sonuçlarını kullanarak otomatik puanlayıcının karşılaştırmalı değerlendirmesini açıklayacağız.

tercüman tercüman

Biyografinin Tamamını Gör