Self-Organizing-Map-Based Metamodeling for Massive Text Data Exploration
Self-Organizing-Map-Based Metamodeling for Massive Text Data Exploration
复制标题
DOI：
10.1007/11759966_187
复制
发表时间：
2006-05
期刊：
影响因子：
--
通讯作者：
K. Lai;Lean Yu;Ligang Zhou;Shouyang Wang
中科院分区：
文献类型：
--
作者：
K. Lai;Lean Yu;Ligang Zhou;Shouyang Wang
在这项研究中，我们描述了使用自组织映射（SOM）作为一种元建模技术来设计一个并行文本数据探索系统。首先，大的文本集合被划分成各种小的数据子集。基于不同的子集，不同的酉SOM模型，即，基本模型，然后训练词聚类图。在这个阶段中，不同的SOM模型并行实现，以获得更高的计算效率。最后，一个基于SOM的元模型可以产生公式化的文本类别地图，通过学习所有的基本模型。为了说明所提出的元模型应用于大量的文本数据集。
In this study, we describe the use of the self-organizing map (SOM) as a metamodeling technique to design a parallel text data exploration system. Firstly, the large textual collections are divided into various small data subsets. Based on the different subsets, different unitary SOM models, i.e., base models, are then trained for word clustering map. In this phase, different SOM models are implemented in parallel to gain greater computational efficiency. Finally, a SOM-based metamodel can be produced to formulate a text category map through learning from all base models. For illustration the proposed metamodel is applied to a massive text data collection.