دوره 19، شماره 1 - ( 3-1401 )
جلد 19 شماره 1 صفحات 110-101 |
برگشت به فهرست نسخه ها
گروه مهندسی فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم
چکیده: (1206 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
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
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]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |