Презентация на тему "Разработка многопрофильной системы информационного поиска"

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.