Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Discovering Research Collaboration Networks from Scientific Digital Libraries and Repositories

100%

Muraszkiewicz M. , Rybiński H. , Szczepański P.

tom 53

nr 2(106)

7-19

PURPOSE: The purpose of the study is to outline a practical model for discovering research collaboration networks on the basis of data and information stored in scientific digital libraries and repositories. The discovered relationships between researchers, projects, scientific institutions and other scientific entities are used for identifying collaboration networks of researchers and research institutions interested in or working on a given subject. Afterwards, such networks can be subject to various types of network analysis in order to get in-depth knowledge on the networks and their components. APPROACH/METHODS: The method adopted in the study is twofold, that is: (i) it takes into consideration the way of discovering collaboration networks by means of simple tools that have been implemented within the ΩΨR system developed at Warsaw University of Technology; (ii) it develops an outline of a formal model of research collaboration networks that takes into account the specificity of scientific digital libraries and repositories and includes the network analysis techniques for discovering knowledge residing/hidden in the networks. RESULTS AND CONCLUSIONS: The outcome of the research is the outline of a formal model of research collaboration networks that includes: (i) a discovery mechanism for identifying thematically related scientists, projects, research institutions, and other scientific entities; and (ii) a set of network analysis methods for getting in-depth knowledge residing in the networks. The model is implementable and scalable in terms of functionality it offers and the network analysis techniques it includes. The model is founded on a solid ground, which is the ΩΨR system functionality to discover simple collaboration networks, and it is being used for enhancing the ΩΨR system. ORIGINALITY/VALUE: The value of the research is the outline of a general research collaboration networks model that: (i) can help identify, build, and analyse research communities, and thereby increases the scope, value and impact of scientific endeavours on science and society; (ii) is used for enhancing the ΩΨR system.

CEL/TEZA: Celem pracy jest naszkicowanie praktycznego modelu odkrywania sieci współpracy badawczej korzystając z zasobów naukowych bibliotek cyfrowych i repozytoriów. Odkryte zależności wiążące badaczy, projekty, instytucje naukowe i inne naukowe przedsięwzięcia i artefakty stanowią podstawę do wyodrębnienia sieci współpracy naukowców i instytucji naukowych zainteresowanych wspólną tematyką badawczą. Sieci takie mogą być następnie przedmiotem analizy w celu uzyskania pogłębionej wiedzy na ich temat. KONCEPCJA/METODY BADAŃ: Pracę oparto na metodzie, która ma dwa składniki, a mianowicie: (i) wykorzystano proste mechanizmy odkrywania sieci współpracy badawczej opracowane i zastosowane w ramach systemu bazy wiedzy akademickiej ΩΨR, który zrealizowano w Politechnice Warszawskiej oraz (ii) opracowano zarys formalnego modelu sieci współpracy naukowej, który bierze pod uwagę specyfikę naukowych bibliotek cyfrowych i repozytoriów oraz zawiera zbiór technik analizy sieciowej pozwalających na odkrywanie wiedzy zawartej/ukrytej w sieciach współpracy naukowej. WYNIKI I WNIOSKI: Przedstawiono zarys formalnego modelu sieci współpracy naukowej, który ma dwa komponenty, a mianowicie: (i) mechanizm odkrywania tematycznie skorelowanych badaczy, projektów, instytucji naukowych i innych podmiotów i artefaktów naukowych oraz (ii) zbiór metod analizy sieciowej, które umożliwiają wykrywanie wiedzy zawartej w sieciach współpracy naukowej. Zaproponowany model jest skalowalny zarówno w zakresie jego funkcjonalności, jak i technik analizy sieciowej. Został on oparty na sprawdzonych rozwiązaniach zrealizowanych w ramach systemu ΩΨR i jest obecnie wykorzystany w pracach nad rozszerzeniem tego systemu. ORYGINALNOŚĆ/WARTOŚĆ POZNAWCZA: Opracowany i realizowany w ramach prac nad rozszerzeniem systemu ΩΨR własny model pozwala odkrywać i w pogłębiony sposób analizować naukowe sieci współpracy badawczej, co zwiększa zakres, wartość i wpływ przedsięwzięć naukowych na rozwój nauki i społeczeństwa.

A Comparative Study of Short Text Classification with Spiking Neural Networks

100%

Maciąg P. S. , Sitek W. , Skonieczny Ł. , Rybiński H.

Annals of Computer Science and Information Systems

2022

tom Vol. 30

79--88

Short text classification is an important task widely used in many applications. However, few works investigated applying Spiking Neural Networks (SNNs) for text classification. To the best of our knowledge, there were no attempts to apply SNNs as classifiers of short texts. In this paper, we offer a comparative study of short text classification using SNNs. To this end, we selected and evaluated three popular implementations of SNNs: evolving Spiking Neural Networks (eSNN), the NeuCube implementation of SNNs, as well as the SNNTorch implementation that is available as the Python language package. In order to test the selected classifiers, we selected and preprocessed three publicly available datasets: 20-newsgroup dataset as well as imbalanced and balanced PubMed datasets of medical publications. The preprocessed 20-newsgroup dataset consists of first 100 words of each text, while for the classification of PubMed datasets we use only a title of each publication. As a text representation of documents, we applied the TF-IDF encoding. In this work, we also offered a new encoding method for eSNN networks, that can effectively encode values of input features having non-uniform distributions. The designed method works especially effectively with the TF-IDF encoding. The results of our study suggest that SNN networks may provide the classification quality is some cases matching or outperforming other types of classifiers.