Matching Similarity for Keyword-Based Clustering

Matching Similarity for Keyword-Based Clustering

(Pencocokan Kesamaan untuk Pengelompokan Berbasis Kata Kunci)

Mohammad Rezaei dan Pasi Fränti

Universitas Finlandia Timur

{rezaei, franti} @ cs.uef.fi

Abstrak :

Pengelompokan objek semantik seperti dokumen, situs web dan

film berdasarkan kata kunci mereka adalah masalah yang menantang. Ini membutuhkan kesamaan antara dua set kata kunci. Kami menyajikan ukuran baru yang berdasarkan pada pencocokan kata-kata dua kelompok dengan asumsi bahwa ukuran kesamaan antara dua kata individual yang tersedia. 

Kesamaan pencocokan yang diusulkan untuk mengukur menghindari masalah tindakan tradisional termasuk minimum, maksimum, dan kesamaan rata-rata. Kami menunjukkan bahwa ini memberikan pengelompokan yang lebih baik daripada langkah-langkah lain dalam aplikasi layanan berbasis lokasi.

Untuk menyelesaikan pengelompokan, kita perlu mendefinisikan kesamaan (atau jarak) antara objek. Dalam metode aglomerasi seperti tautan tunggal dan tautan lengkap, kesamaan antara objek individual sudah cukup, tetapi dalam pengelompokan parsial seperti k-means dan perwakilan cluster k-medoid juga diperlukan untuk mengukur objek-to-cluster yang serupa.

Inti Isi dari Jurnal :

Pengelompokan berbasis kata kunci bertujuan untuk mengelompokkan objek yang dijelaskan oleh satu set kata kunci atau tag. Ini termasuk film, layanan, situs web, dan dokumen teks di umum.

Kami berasumsi di sini bahwa satu-satunya informasi yang tersedia tentang setiap objek data adalah kata kuncinya. Kata kunci dapat diberikan secara manual atau diekstraksi secara otomatis.

Dalam tulisan ini, kami menyajikan ukuran kesamaan novel antara dua set kata,

disebut kesamaan pencocokan. Kami menerapkannya pada pengelompokan layanan berbasis kata kunci di aplikasi berbasis lokasi. Dengan asumsi bahwa kita memiliki ukuran untuk membandingkan semantic antara kesamaan dua kata, masalahnya adalah menemukan ukuran yang baik untuk membandingkan set dari kata-kata. 

Kesamaan pencocokan yang diusulkan memecahkan masalah sebagai berikut. Itu berulang kali memasangkan dua kata yang paling mirip antara objek dan kemudian mengulangi proses untuk sisa objek hingga salah satu objek kehabisan kata-kata. Kata-kata yang tersisa adalah kemudian dicocokkan hanya dengan rekan mereka yang paling mirip di objek lain.

Kesamaan Semantik Antara Kelompok Kata ada 3 yaitu :

a.   Kemiripan Kata-Kata

Ukuran untuk kemiripan semantik kata-kata dapat dikategorikan pada berbasis corpus, pencarian berbasis berbasis mesin, berbasis pengetahuan dan hibrida. Langkah-langkah berbasis pengetahuan menggunakan database leksikal seperti WordNet.

WordNet adalah taksonomi yang membutuhkan prosedur untuk memperoleh skor kesamaan antara kata-kata. Terlepas dari keterbatasannya, ini telah digunakan secara berurutan untuk pengelompokan

b.   Kesamaan Kelompok Kata

Diberi ukuran untuk membandingkan dua kata, tugas kami adalah mengukur kesamaan antara dua set kata. Ukuran yang ada untuk menghitung minimum, maksimum, atau kesamaan rata-rata. 

Ukuran minimum dan maksimum menemukan pasangan kata (masing-masing dari satu objek) yang paling tidak (minimum) dan paling mirip (maksimal). Kesamaan rata-rata mempertimbangkan semua pasangan kata dan menghitung nilai rata-rata mereka.

c.   Kesamaan Pencocokan

Ukuran kesamaan pencocokan yang diusulkan didasarkan pada algoritma paling serakah, yang pertama menemukan dua kata yang paling mirip di set, dan kemudian iteratif cocok kata-kata serupa berikutnya.

Akhirnya, kata kunci yang tidak dipasangkan tersisa (dari objek dengan lebih banyak kata kunci) hanya cocok dengan kata-kata yang paling mirip di objek lain.

Efektivitas metode yang diusulkan untuk menampilkan data dengan jumlah terbatas

cluster masih ada. Jumlah cluster terlalu besar untuk penggunaan praktis dan kami

perlu meningkatkan indeks validitas pengelompokan untuk menemukan kelompok yang lebih besar tetapi tanpa membuat kelompok yang tidak berarti. 

Kami juga mengamati beberapa masalah dalam pengelompokan yang berasal dari ukuran kesamaan dua kata, yang menyiratkan bahwa pengukuran kesamaan yang lebih baik akan bermanfaat.

Kelebihan :

1.    Lebih cepat jika memakai kata kunci untuk pencarian kata.

2.    Efisien Waktu

3.    Lebih memudahkan pembaca

Kekurangan :

1.    Banyak yang belum menggunakan pencarian berdasarkan kata kunci.

2.    Dari segi Bahasa masih ada yang kurang.

KESIMPULAN

Ukuran baru yang disebut kesamaan pencocokan diusulkan untuk membandingkan dua kelompok kata-kata. Ini memiliki logika yang intuitif sederhana dan itu menghindari masalah dari minimum, maksimum dan kesamaan rata-rata, yang mana gagal untuk memberikan hasil yang tepat dengan kasus yang lebih sederhana. 

Evaluasi komparatif pada data nyata dengan kriteria SC menunjukkan bahwa metode ini mengungguli metode yang ada dengan marginal yang jelas. Sebagai pekerja masa depan, kami berencana untuk menggeneralisasi kesamaan pencocokan dengan algoritma pengelompokan lainnya seperti k-means dan k-medoid.