专栏首页arxiv.org翻译专栏利用一种新的相似性度量寻找相关Web文档的PSO策略(CS DB)

利用一种新的相似性度量寻找相关Web文档的PSO策略(CS DB)

在提供大量信息的因特网和万维网世界中,人们越来越重视搜索服务和功能。目前,大多数门户网站都提供他们的搜索工具,无论是好是坏。这些可以搜索站点内的内容,主要是文本文档的内容。本文提出了一种新的文档检索相似性度量SMDR,以帮助从存储库中检索更多相似的文档,从而大大提高了Web信息检索(WIR)过程的有效性。使用生物启发式PSO方法旨在减少系统的响应时间并优化WIR过程,从而有助于提高系统效率。本文还从准确性,灵敏性,F-度量和特异性方面证明了与现有方法对拟议系统的比较研究。最后,在CACM采集上进行了广泛的实验。与现有系统相比,召回率达到了更高的精度。实验结果表明了该系统的有效性和有效性。

原文题目:A PSO Strategy of Finding Relevant Web Documents using a New Similarity Measure

原文:In the world of the Internet and World Wide Web, which offers a tremendous amount of information, an increasing emphasis is being given to searching services and functionality. Currently, a majority of web portals offer their searching utilities, be it better or worse. These can search for the content within the sites, mainly text the textual content of documents. In this paper a novel similarity measure called SMDR (Similarity Measure for Documents Retrieval) is proposed to help retrieve more similar documents from the repository thus contributing considerably to the effectiveness of Web Information Retrieval (WIR) process. Bio-inspired PSO methodology is used with the intent to reduce the response time of the system and optimizes WIR process, hence contributes to the efficiency of the system. This paper also demonstrates a comparative study of the proposed system with the existing method in terms of accuracy, sensitivity, F-measure and specificity. Finally, extensive experiments are conducted on CACM collections. Better precision-recall rates are achieved than the existing system. Experimental results demonstrate the effectiveness and efficiency of the proposed system.

原文链接:https://arxiv.org/abs/2103.14371

原文作者:Dr. Ramya C, Dr. Shreedhara K S

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 粒子群优化(PSO)算法概述

    PSO(PSO——Particle Swarm Optimization)(基于种群的随机优化技术算法) 粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为,这...

    里克贝斯
  • 粒子群优化

    粒子群优化 PSO 引言 在机器学习问题中以及实际实践中,大多数的建模与控制问题最终都可以转化为一个约束或者无约束的优化问题,这些问题一般比较复杂,主要表现为规...

    昱良
  • 【算法】粒子群算法Particle Swarm Optimization超详细解析+代码实例讲解

    粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,...

    短短的路走走停停
  • 干货 | 【算法】粒子群算法Particle Swarm Optimization超详细解析+代码实例讲解

    这俗话说啊,早起的鸟儿有虫吃,早起的虫儿被鸟吃。而这个鸟抓虫子这个事儿啊,就像当初砸醒牛顿的苹果一样,居然也启发了两位博士,研究出了有用的大道理。那么,今天小编...

    用户1621951
  • 基于进化计算的NP难题求解的研究综述

    进化算法作为一种随机优化算法在复杂函数优化、组合优化与路径规划等领域具有广泛的应用。本文从进化算法的发展现状、缺陷与改进等方面进行了细致的分析调研。具体介绍了N...

    里克贝斯
  • PSO算法的改进策略

    PSO(PSO——Particle Swarm Optimization)(基于种群的随机优化技术算法) 粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为,这...

    里克贝斯
  • 粒子群算法(Particle swarm optimization | PSO)

    粒子群算法,也称粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization),缩写为 PSO, 是由J. Kennedy和R. C. ...

    easyAI
  • 计算智能(CI)之粒子群优化算法(PSO)(一)

    计算智能(ComputationalIntelligence ,CI)是以生物进化的观点认识和模拟智能。按照这一观点,智能是在生物的遗传、变异、生长以及外部环境...

    磐创AI
  • matlab多目标优化之海洋捕食者算法

    海洋捕食者算法(Marine Predators Algorithm, MPA)是Afshin Faramarzi等人于2020年提出的一种新型元启发式优化算法...

    matlab爱好者
  • 粒子群优化算法(PSO)之基于离散化的特征选择(FS)(二)

    前面我们介绍了特征选择(Feature Selection,FS)与离散化数据的重要性,总览的介绍了PSO在FS中的重要性和一些常用的方法。今天讲一讲FS与离散...

    磐创AI
  • 鸟群的启发--粒子群算法

    看文章之前先看一个相关小视频(55s, 2.86M): ? 1. PSO的基本思想: “自然界的蚁群、鸟群、鱼群、羊群、牛群、蜂群等,其实时时刻刻都在给予我们...

    智能算法
  • 五类受自然启发的AI算法

    摘要: 本文主要讲解了受自然启发的五类AI算法以及各自的实际用例:神经网络、遗传算法、群集集体智慧、强化学习、人体免疫。 ? 搜索/寻路算法 搜索算法...

    小莹莹
  • 五类受自然启发的AI算法

    摘要:本文主要讲解了受自然启发的五类AI算法以及各自的实际用例:神经网络、遗传算法、群集集体智慧、强化学习、人体免疫。 ? 搜索/寻路算法 搜索算法本质上是一个...

    企鹅号小编
  • 粒子群优化算法(PSO)之基于离散化的特征选择(FS)(三)

    磐创AI
  • 鸟群的启发--粒子群算法

    看文章之前先看一个相关小视频(55s, 2.86M): ? 1. PSO的基本思想: “自然界的蚁群、鸟群、鱼群、羊群、牛群、蜂群等,其实时时刻刻都在给予我们以...

    智能算法
  • 量化投资之机器学习应用——基于 SVM 模型的商品期货择时交易策略(提出质疑和讨论)

    2016年在东证期货的量化报告里,读到一篇文章,关于量化投资策略之机器学习应用——基于 SVM 模型的期货择时交易策略 。就顺手算了一下,发现了一些问题,因此和...

    量化投资与机器学习微信公众号
  • AI算法领域常用的39个术语(上)

    Attention的本质是从关注全部到关注重点。将有限的注意力集中在重点信息上,从而节省资源,快速获得最有效的信息。

    曼孚科技
  • 独家 | 一文读懂优化算法

    一、前言 模拟退火、遗传算法、禁忌搜索、神经网络等在解决全局最优解的问题上有着独到的优点,其中共同特点就是模拟了自然过程。模拟退火思路源于物理学中固体物质的退火...

    数据派THU
  • 粒子群优化算法(PSO)之基于离散化的特征选择(FS)(一)

    前言:在机器学习中,离散化(Discretization)和特征选择(Feature Selection,FS)是预处理数据的重要技术,提高了算法在高维数据上的...

    磐创AI

扫码关注云+社区

领取腾讯云代金券