دوره 19، شماره 1 - ( 3-1401 )                   جلد 19 شماره 1 صفحات 110-101 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

jafarabad M, Dianat R. Relation extraction based on word embedding with Crowdsourcing Process. JSDP. 2022; 19 (1) :101-110
URL: http://jsdp.rcisp.ac.ir/article-1-1074-fa.html
جعفرآباد محمد، دیانت روح الله. استخراج رابطه مبتنی بر تعبیه لغات با فرآیند جمع‌سپاری. پردازش علائم و داده‌ها. 1401; 19 (1) :110-101

URL: http://jsdp.rcisp.ac.ir/article-1-1074-fa.html


گروه مهندسی فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم
چکیده:   (288 مشاهده)
برای انجام مطالعات داده‌کاوی، تاحدودی به‌دلیل پیچیده‌بودن فرآیند انتخاب ویژگی در کار مورد نظر، نیاز داریم تا بخشی از برچسب‌زنی را به کارگران در فعالیت جمع‌­سپاری واگذار کنیم. فرآیند واگذاری کارهای داده‌کاوی به کاربران، اغلب به‌وسیله سامانه‌های نرم‌افزاری و بدون اطلاع دقیق از موقعیت سنی یا جغرافیای محل سکونت کاربران صورت می‌گیرد. عدم اطمینان از عملکرد کاربران مجازی در جمع­‌سپاری، میزان صحت اطلاعات دریافتی را کاهش می‌دهد. در این مقاله پیشنهاد داده‌ایم تا با استفاده از روش‌های ایجاد انگیزش، تعدادی از مردم را در محلی جمع و از آنها در جهت وظایف جمع­‌سپاری استفاده کنیم. افزایش دقت در اعلام نتایج به‌دلیل حضور فیزیکی، سرعت بالا در گرفتن نتایج با دقت بالا در زمان تعیین‌شده، تحصیلات مناسب شرکت‌کنندگان در فعالیت و بومی‌بودن طرح اجرایی از ویژگی­‌های این پژوهش هستند. در این پژوهش یک کار یادگیری ماشین انجام شد تا بتوانیم در ضمن آن فعالیت­‌های جمع‌سپاری را با الگوریتم‌­های شبکه عصبی عمیق ترکیب نماییم.  وظیفه کلاس‌بندی برای تعبیه لغات به‌صورت الگوریتمی و تلفیقی با کمک جمع‌سپاری انجام می‌­شود. روش پیشنهادی با افزودن داده‌های جمع‌سپار به داده‌های قبلی و تغییرات در مدل تعبیه لغات ترکیبی گلاو و وردتووک توانست نتایج مناسبی را  در استخراج ویژگی به‌دست بیاورد.
شماره‌ی مقاله: 8
متن کامل [PDF 868 kb]   (80 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش متن
دریافت: 1398/7/5 | پذیرش: 1399/9/1 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1

فهرست منابع
1. [1] H. Rheingold, Smart mobs: The next social revolution. Basic books, 2007.
2. [2] D. Zhou, Q. Liu, J. C. Platt, C. Meek, & N. B. Shah, Regularized minimax conditional entropy for crowdsourcing. arXiv preprint arXiv:1503.07240, 2015.
3. [3] Y. Zhao, & Q. Zhu, "Evaluation on crowdsourcing research: Current status and future direction", Information Systems Frontiers, vol. 16(3), pp. 417-434, 2014. [DOI:10.1007/s10796-012-9350-4]
4. [4] S. Marjanovic, C. Fry, & J. Chataway, "Crowdsourcing based business models: In search of evidence for innovation 2.0", Science and public policy, vol. 39(3), pp. 318-332, 2012. [DOI:10.1093/scipol/scs009]
5. [5] J. Prpić, P. P.Shukla, J. H. Kietzmann, & I. P. McCarthy, "How to work a crowd: Developing crowd capital through crowdsourcing", Business Horizons, vol. 58(1), pp. 77-85, 2015. [DOI:10.1016/j.bushor.2014.09.005]
6. [6] J. Staiano and M. Guerini, "DepecheMood: a Lexicon for emotion analysis from crowd-annotated news," arXiv preprint arXiv1405, pp. 1605, 2014. [DOI:10.3115/v1/P14-2070]
7. [7] P. Gonçalves, M. Araújo, F. Benevenuto, and M. Cha, "Comparing and combining sentiment analysis methods," in Proceedings of the first ACM conference on Online social networks, 2013, pp. 27-38. [DOI:10.1145/2512938.2512951]
8. [8] P. Belleflamme, T. Lambert, & A. Schwienbacher, "Crowdfunding: Tapping the right crowd", Journal of business venturing, vol. 29(5), pp. 585-609, 2014. [DOI:10.1016/j.jbusvent.2013.07.003]
9. [9] J. Daniels, & J. R. Feagin, "The (coming) social media revolution in the academy," Fast Capitalism, vol.8(2), 2019. [DOI:10.32855/fcapital.201102.001]
10. [10] T. A. Gautre, & T. H. Khan, "An analysis of question answering system for education empowered by crowdsourcing" In 2018 2nd International Conference on Inventive Systems and Control (ICISC), IEEE, 2018. [DOI:10.1109/ICISC.2018.8398942]
11. [11] K. Gábor, D. Buscaldi, A. K. Schumann, B. QasemiZadeh, H. Zargayouna, & T. Charnois, "Semeval-2018 Task 7: Semantic relation extraction and classification in scientific papers," In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 679-688, 2018. [DOI:10.18653/v1/S18-1111]
12. [12] M. Gluhak, M. P. di Buono, A. Akkasi, & J. Šnajder, "TakeLab at SemEval-2018 Task 7: Combining Sparse and Dense Features for Relation Classification in Scientific Texts", In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 842-847, 2018. [DOI:10.18653/v1/S18-1135]
13. [13] J. Rotsztejn, N. Hollenstein, & C. Zhang, Eth-ds3lab at semeval-2018 task 7: Effectively combining recurrent and convolutional neural networks for relation classification and extraction. arXiv preprint arXiv:1804.02042, 2018. [DOI:10.18653/v1/S18-1112]
14. [14] Y. Luan, M. Ostendorf, & H. Hajishirzi, "The uwnlp system at semeval-2018 task 7: Neural relation extraction model with selectively incorporated concept embeddings", In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 788-792, 2018, June. [DOI:10.18653/v1/S18-1125]
15. [15] S. A. Lazarus, Cyber Mobs: A Model for Improving Protections for Internet Users (Doctoral dissertation, Utica College), 2017.
16. [16] B. L. Bayus, "Crowdsourcing new product ideas over time: An analysis of the Dell IdeaStorm community", Management science, vol. 59(1), pp. 226-244, 2013. [DOI:10.1287/mnsc.1120.1599]
17. [17] R. W. Ouyang, M. Srivastava, A.Toniolo, & T. J. Norman, "Truth discovery in crowdsourced detection of spatial events", IEEE, 2016. [DOI:10.1109/TKDE.2015.2504928]
18. [18] B. Xiang, The psychological effects of participation in crowdsourcing on customer's willingness to pay and recommend a brand, 2016.
19. [19] M. A. Rashid, K. Deo, D. Prasad, K. Singh, S. Chand, & M. Assaf, TEduChain: A platform for crowdsourcing tertiary education fund using blockchain technology. arXiv preprint arXiv:1901.06327, 2019. [DOI:10.1017/S0269888920000326]
20. [20] P. Welinder, & P. Perona, "Online crowdsourcing: rating annotators and obtaining cost-effective labels", In 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops pp. 25-32, IEEE, 2010. [DOI:10.1109/CVPRW.2010.5543189]
21. [21] G. M. Leung, & K. Leung, "Crowdsourcing data to mitigate epidemics", The Lancet Digital Health, vol. 2(4), e156-e157, 2020. [DOI:10.1016/S2589-7500(20)30055-8]
22. [22] A. Drutsa, V. Fedorova, D. Ustalov, O. Megorskaya, E. Zerminova, & D. Baidakova, "Crowdsourcing Practice for Efficient Data Labeling: Aggregation, Incremental Relabeling, and Pricing", In Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data, pp. 2623-2627, 2020. [DOI:10.1145/3318464.3383127]
23. [23] F. Nooralahzadeh, & L. Øvrelid, "Syntactic dependency representations in neural relation classification", arXiv preprint arXiv:1805.11461, 2018. [DOI:10.18653/v1/W18-2907]
24. [24] L. Hettinger, A. Dallmann, A. Zehe, T. Niebler, & A. Hotho, "Claire at semeval-2018 task 7: Classification of relations using embeddings", In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 836-841, 2018. [DOI:10.18653/v1/S18-1134]
25. [25] B. Pratap, D. Shank, O. Ositelu, & B. Galbraith, "Talla at SemEval-2018 task 7: Hybrid loss optimization for relation classification using convolutional neural networks", In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 863-867, 2018. [DOI:10.18653/v1/S18-1139]
26. [26] D. Jin, F. Dernoncourt, E. Sergeeva, M. McDermott, & G. Chauhan, "MIT-MEDG at SemEval-2018 task 7: Semantic relation classification via convolution neural network", In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 798-804, 2018. [DOI:10.18653/v1/S18-1127]
27. [27] M. Gluhak, M. P. di Buono, A. Akkasi, & J. Šnajder, "TakeLab at SemEval-2018 Task 7: Combining Sparse and Dense Features for Relation Classification in Scientific Texts, In Proceedings of The 12th International Workshop on Semantic Evaluation, pp. 842-847, 2018. [DOI:10.18653/v1/S18-1135]
28. [28] J. Pennington, R. Socher, & C. D. Manning, "Glove: Global vectors for word representation", In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) ,pp. 1532-1543, 2014. [DOI:10.3115/v1/D14-1162]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.