Wybrane metody automatycznej identyfikacji słów kluczowych

• Autorzy: Gładysz A.

Warianty tytułu

EN

Methods for automatic keywords identification in text

• Języki publikacji: PL

Abstrakty

PL

Rozwój społeczeństwa informacyjnego oraz technologii informatycznych pociągnął za sobą w sposób naturalny powstanie zautomatyzowanych systemów wspomagających wyszukiwanie i porządkowanie informacji. W nadmiarze informacji przechowywanych w dokumentach tekstowych dużego znaczenia nabiera możliwość automatycznego identyfikowania słów kluczowych. Artykuł rozpoczyna cykl poświęcony badaniu metod algebraicznych wykorzystywanych do identyfikacji słów kluczowych w polskojęzycznych tekstach naukowych.

EN

Development of the information society and information technology entailed an a natural creation of automated systems supporting find and organize information. Too much information stored in text documents is extremely important to for automatic keywords identification. Article begins a series dedicated to the study of algebraic methods used to for keywords identification in scientific Polish texts.

Słowa kluczowe

PL

słowa kluczowe; analiza dokumentów tekstowych; analiza automatyczna; text mining; eksploracja tekstu

EN

keywords; text mining; text exploration

• Wydawca: Instytut Naukowo-Wydawniczy "TTS" Sp. z o.o
• Czasopismo: TTS Technika Transportu Szynowego
• Rocznik: 2013
• Tom: R. 20, nr 10
• Strony: 2183--2192, CD
• Opis fizyczny: Bibliogr. 17 poz., 1 rys.

Twórcy

autor

Gładysz A.

• Politechnika Rzeszowska, Wydział Zarządzania, Zakład Informatyki w Zarządzaniu

Bibliografia

• 1. Baeza-Yates R., Ribeiro-Neto B., Modern Information Retrieval, ACM Press, Adison-Wesley, New York 1999.
• 2. Ball R., The scientific information environment in the next millennium, Library Management, 2000, vol. 21, no. 1, s. 10-12.
• 3. Fayyad U. M., Piatetsky-Shapiro G., Smyth P., From data mining to knowledge discovery in databases, AI Magazine, Vol 17, 1996, s. 37-54.
• 4. Konchady M., Text Mining Application Programming, Charles River Media, 2006.
• 5. Leopold E., Kindermann J., Text categorization with support vector machines, how to represent texts in input space?, Machine Learning, 46, 2002.
• 6. Manning C. D., Raghavan P., Schütze H., Introduction to Information Retrieval, Cambridge University Press, Cambridge, England 2008.
• 7. Manning C. D., Schütze H., Foundations of Statistical Natural Language Processing, The MIT Press, Cambridge Mass 2001.
• 8. Markov Z., Larose D. T., Eksploracja zasobów internetowych, PWN, Warszawa 2009.
• 9. Raghan V. V., Wong S, K, M., A critical analysis of the vector space model for information retrieval, Journal of the American Society for Information Science, 37(5), 1986, s. 100-124.
• 10. Schenker A., Bunke H., Last M., Kandel A., Graph-Theoretic Techniques for Web Content Mining, World Scientific Publishing Co, Pte, Ltd., 2005.
• 11. Smyth P., Goodman R, M., Rule introduction using information theory, In Knowledge Discovery in Databases, 1991, s. 159-176.
• 12. Salton G., Buckley Ch., Term-Weighting Approaches in Automatic Text Retrieval, Information Processing & Management, 24 (5), 1988, s. 513-523.
• 13. Salton G., McGill M. J., Introduction to Modern Information Retrieval, McGraw-Hill Book Co., New York 1983, s. 52-117.
• 14. Salton G., Wong A., Yang C. S., A vector space model for automatic indexing, Communications of the ACM, vol, 18, 1975, s. 613-620.
• 15. Turing A., Computing machinery and intelligence, Mind, nr 236, 1950, przedruk w The Mind’s I, Penguin Books, 1981.
• 16. Xia F., Jicun T., Zhihui L., A Text Categorization Method Based on Local Document Frequency, Proceedings in Sixth International Conference on Fuzzy Systems and Knowledge Discovery, FSKD '09, 2009, s. 468-471.
• 17. Zhang T., Oles F., Text categorization based on regularized linear classification methods, Information Retreival 2001, no 1.