Презентация на тему "Разработка многопрофильной системы информационного поиска"

Ваша оценка презентации
Оцените презентацию по шкале от 1 до 5 баллов
  • 1
  • 2
  • 3
  • 4
  • 5

Рецензии

Добавить свою рецензию

Аннотация к презентации

Презентационная работа по информатике, которая является дополнением к дипломной работе. С помощью данной работы студент визуализирует свою работу, объясняя характеристики сложноструктурированных данных и различные алгоритмы.

Краткое содержание

  • Характеристики сложноструктурированных данных
  • Используемые алгоритмы
  • Области применения системы информационного поиска
  • Алгоритм PageRank
  • Алгоритм ROCK
  • Алгоритм DBSCAN

Содержание

  • Слайд 1

    Презентация к дипломной работе

    Разработка многопрофильной системы информационного поиска

  • Слайд 2

    Основные компании

    Amazon

    Google

    Яндекс

    Amazon

    Twitter

    Microsoft

  • Слайд 3

    Характеристики сложноструктурированных данных

    Внутренняя интерпретация.

    Наличие внутренней структуры связей.

    Шкалирование.

    Погружение в пространство с семантической метрикой.

    Наличие активности.

  • Слайд 4

    Используемые алгоритмы

    PageRank

    DBScan

    Rock

    Наивный байесовский классификатор

    Семантические сети

  • Слайд 5

    Области применения системы информационного поиска

    Поиск информации.

    Формирование рекомендаций.

    Установление авторства.

    Проверка на плагиат.

    Автоматическая генерация текстов для SEO (поисковой оптимизации).

    Лингвистический анализ литературных текстов.

    Корректировка текстов и исправление опечаток.

  • Слайд 6

    Алгоритм PageRank

    Каждой странице присваиваем вес равной единице.

    Подсчитываем количество исходящих связей для каждой страницы.

    Вычисляем ранг каждой страницы с помощью формулы. Где A – страница, ранг которой необходимо найти, C(T1) – количество исходящих ссылок, d – коэффициент затухания.

  • Слайд 7

    Место для блок-схемы

  • Слайд 8

    Алгоритм ROCK

    Procedurecluster (S, k)

    Begin

    1. link := compute-links (S)//Вычисляем связи в множестве точек S

    2. for each s from S do

    3. q[s] := build-local-heap (link,S)//Из каждой точки множества Sна основе связей формируем кластер

    4. Q:=build-global-heap (S,q) //Содержит список всех кластеров множества S

    5. whilesize (Q) >kdo {//Формируем кластеры, точки, которых имеют максимальное число связей до тех пор, пока не получим желаемое число кластеров

    6. u := extract-max (Q)

    7. v := max (q[u])

    8. delete (Q,v)

    9. w:= merge (u,v)

    10. for each x from (q[u] or q[v]) do {

    11. link [x,w] := link [x,u] + link [x,v]

    12. delete (q[x],u); delete (q[x],v)

    13. insert (q[x],w,g(x,w)); insert (q[w],x,g(x,w));

    14. update (Q,x,q[x])

    15. }

    16. insert (Q,w,q[w])//Добавляем кластер в список всех кластеров

    17. deallocate (q[u]); deallocate (q[v]);

    18. }

    end.

  • Слайд 9

    Алгоритм DBSCAN

    public List cluster() {

    intclusterId = getNextClusterId();

    for(DataPointp : points) {

    if(isUnclassified(p) ) {//Проверяем классифицировали ли мы данную точку.

    booleanisClusterCreated = createCluster(p, clusterId); //Создаемкластердлякаждойточки

    if( isClusterCreated ) {

    clusterId = getNextClusterId();

    }

    }

    }

    List allClusters = new ArrayList();

    for(Map.Entry> e : clusters.entrySet()) {

    String label = String.valueOf(e.getKey());//Создаем кластер и имя длянего

    Set points = e.getValue();

    if( points != null && !points.isEmpty() ) {

    Cluster cluster = new Cluster(label, e.getValue());

    allClusters.add(cluster);

    }

    }

    returnallClusters;//Возвращаем список всех кластеров, которые были созданы

    }

  • Слайд 10

     

    private booleancreateCluster(DataPoint p, Integer clusterId){

    Set nPoints = findNeighbors(p, eps);

    if( nPoints.size() < minPoints ) {

    assignPointToCluster(p, CLUSTER_ID_NOISE);//Есликоличествоточекокружностименьше, чемminPoints, присваиваемточкезначение «Шум»

    isClusterCreated = false;

    } else {

    assignPointToCluster(nPoints, clusterId); //Иначедобавляемточкувкластер

    nPoints.remove(p);//Удаляем точку из рассмотрения

    while(nPoints.size() > 0 ) { //Просматриваем все точки, если нашли точку, которую уже рассматривали то ставим ей статус пограничной, добавляем в кластер и удаляем из рассмотрения

    DataPointnPoint = nPoints.iterator().next();

    Set nnPoints = findNeighbors(nPoint, eps);

    if( nnPoints.size() >= minPoints ) {

    for(DataPointnnPoint : nnPoints ) {

    if( isNoise(nnPoint) ) {

    assignPointToCluster(nnPoint, clusterId); //Добавляемточкуккластеру

    } else if( isUnclassified(nnPoint) ){

    nPoints.add(nnPoint);

    assignPointToCluster(nnPoint, clusterId);} } }

    nPoints.remove(nPoint); //Удаляемточкуизрассмотрения

    }

    isClusterCreated = true;

    }

    return isClusterCreated;

    }

  • Слайд 11

    Наивный байесовский классификатор

    Место для блок-схемы.

Посмотреть все слайды
Презентация будет доступна через 45 секунд