ارزیابی خوشه بندی سرویس وب با استفاده از مدل ترکیب

نوع فایل : word

تعداد صفحات : 20

تعداد کلمات : 9800

مجله : Information Processing and Management

انتشار : 2020

ترجمه ی متون جدول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : ب نازنین 12

تاریخ انتشار
30 می 2020
دسته بندی
تعداد بازدیدها
1515 بازدید
32,000 تومان

عنوان فارسی مقاله:ارزیابی خوشه بندی سرویس وب با استفاده از مدل ترکیب چند جمله‌ای دیریکله برای کاهش بعدیت در بازنمایی خدمات

 چکیده

 در سال‌های اخیر، عملکرد خدمات در زبان متن طبیعی کوتاه توصیف می‌شود. جست و جوی مبتنی بر کلمه‌ی کلیدی برای کشف سرویس وب برای ارائه‌ی نتایج مهم کافی نیست. هنگامی که خدمات براساس شباهت خوشه بندی می‌شوند، فضای جستجو را کاهش می‌دهد و به همین دلیل زمان جستجو در فرآیند کشف سرویس وب نیز کاهش می‌یابد. بنابراین، در حوزه خوشه‌بندی سرویس وب، اصولاً تکنیک‌های مدل سازی مباحث مانند تخصیص پنهان دیریکله LDA، مدل موضوعی همبسته (CTM)، پردازش دیرکلت سلسله مراتبی (HDP) و غیره برای کاهش ابعاد و نمایش ویژگیهای خدمات در فضای بردار استفاده شده است.. اما همانطور که خدمات در قالب متن کوتاه توضیح داده شده است، بنابراین این تکنیک‌ها به دلیل عدم وجود کلمات در حال وقوع، محتوای محدود و غیره کارآمد نیستند. در این مقاله، عملکرد خوشه بندی خدمات وب با استفاده از مدل سازی موضوعات مختلف ارزیابی می‌شود. تکنیک‌های با الگوریتم‌های خوشه بندی مختلف در مجموعه دادههای منبع قابل برنامه نویسی اجرا می‌شوند. الگوریتم نمونه‌گیری گیبس برای مدل ترکیبی چندمجموعه‌ای دیریکله GSDMM به عنوان یک کاهش ابعادی و نمایش ویژگی از خدمات برای غلبه بر محدودیت‌های خوشه بندی متن کوتاه پیشنهاد شده است. نتایج نشان می‌دهد که GSDMM با K-Means یا خوشه‌بندی ترکیبی نسبت به سایر روشها بهتر است. عملکرد خوشه بندی بر اساس سه معیار ارزیابی ذاتی و دو ارزیابی ارزیابی می‌شود. کاهش ابعادی حاصل از GSDMM در سه مجموعه داده در زمان واقعی ۹۰٫۸۸٪، ۸۸٫۸۴٪ و ۹۳٫۱۳٪ است که رضایت بخش است زیرا با استفاده از این تکنیک عملکرد خوشه بندی نیز افزایش می‌یابد.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

TITLE: Evaluation of web service clustering using Dirichlet Multinomial Mixture model based approach for Dimensionality Reduction in service representation

Abstract

In recent years, mainly the functionality of services are described in a short natural text language. Keyword-based searching for web service discovery is not efficient for providing relevant results. When services are clustered according to the similarity, then it reduces search space and due to that search time is also reduced in the web service discovery process. So in the domain of web service clustering, basically topic modeling techniques like Latent Dirichlet Allocation (LDA), Correlated Topic Model (CTM), Hierarchical Dirichlet Processing (HDP), etc. are adopted for dimensionality reduction and feature representation of services in vector space. But as the services are described in the form of short text, so these techniques are not efficient due to lack of occurring words, limited content, etc. In this paper, the performance of web service clustering is evaluated by applying various topic modeling techniques with different clustering algorithms on the crawled dataset from ProgrammableWeb repository. Gibbs Sampling algorithm for Dirichlet Multinomial Mixture (GSDMM) model is proposed as a dimensionality reduction and feature representation of services to overcome the limitations of short text clustering. Results show that GSDMM with K-Means or Agglomerative clustering is outperforming all other methods. The performance of clustering is evaluated based on three extrinsic and two intrinsic evaluation criteria. Dimensionality reduction achieved by GSDMM is 90.88%, 88.84%, and 93.13% on three real-time crawled datasets, which is satisfactory as the performance of clustering is also enhanced by deploying this technique.

 

    دیدگاهتان را بنویسید