Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unserer Website zu analysieren. Außerdem geben wir Informationen zu Ihrer Verwendung unserer Website an unsere Partner für soziale Medien, Werbung und Analysen weiter. Unsere Partner führen diese Informationen möglicherweise mit weiteren Daten zusammen, die Sie ihnen bereit gestellt haben oder die sie im Rahmen Ihrer Nutzung der Dienste gesammelt haben. Dies schließt unter Umständen die Weitergabe Ihrer Daten in die USA ein, denen kein angemessenes Datenschutzniveau bescheinigt wird. Daher könnten diese Daten einem staatlichen Zugriff von US-Behörden unterliegen. Näheres finden Sie in unserer Datenschutzbestimmung. Ihre Einwilligung zur Cookie-Nutzung können Sie jederzeit wieder in der Datenschutzerklärung widerrufen.
Notwendige Cookies
Cookies dieser Gruppe sind für den ordnungsgemäßen Betrieb der Webseite erforderlich. Sie sind nicht zustimmungspflichtig und können nicht deaktiviert werden. Mit der Nutzung unserer Webseite erklären Sie sich damit einverstanden.
Komfort Cookies
Unsere Webseite verwendet an einigen Stellen externe Dienste um zusätzliche Funktionen zu Verfügung zu stellen. In diese Gruppe fällt zum Beispiel unsere Google Buchvorschau.
Marketing-/ Tracking-Cookies
Diese Art von Cookies erlauben es uns unter anderem festzustellen, welche Inhalte Sie besonders interessieren. So
können wir unseren Service für Sie weiter ausbauen und unsere Webseite stetig verbessern.
This book describes exciting new opportunities for utilizing robust graph representations of data with common machine learning algorithms. Graphs can model additional information which is often not present in commonly used data representations, such as vectors. Through the use of graph distance - a relatively new approach for determining graph similarity - the authors show how well-known algorithms, such as k-means clustering and k-nearest neighbors classification, can be easily extended to work with graphs instead of vectors. This allows for the utilization of additional information found in graph representations, while at the same time employing well-known, proven algorithms.To demonstrate and investigate these novel techniques, the authors have selected the domain of web content mining, which involves the clustering and classification of web documents based on their textual substance. Several methods of representing web document content by graphs are introduced; an interesting feature of these representations is that they allow for a polynomial time distance computation, something which is typically an NP-complete problem when using graphs. Experimental results are reported for both clustering and classification in three web document collections using a variety of graph representations, distance measures, and algorithm parameters.In addition, this book describes several other related topics, many of which provide excellent starting points for researchers and students interested in exploring this new area of machine learning further. These topics include creating graph-based multiple classifier ensembles through random node selection and visualization of graph-based data using multidimensional scaling.
Schlagwörter zu:
Graph-theoretic Techniques For Web Content Mining von Adam Schenker - mit der ISBN: 9789812569455
, Online-Buchhandlung
Kunden Rezensionen: Graph-theoretic Techniques For Web Content Mining | Buch oder eBook | Adam Schenker
Zu diesem Artikel ist noch keine Rezension vorhanden. Helfen sie anderen Besuchern und verfassen Sie selbst eine Rezension.