Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improved Rotated Local Binary Pattern Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Comparison of Support Vector Machines With and Without Latent Semantic Analysis for Document Classification

verfasst von : Vaibhav Khatavkar, Parag Kulkarni

Erschienen in: Data Management, Analytics and Innovation

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Document Classification is a key technique in Information Retrieval. Various techniques have been developed for document classification. Every technique aims for higher accuracy and greater speed. Its performance depends on various parameters like algorithms, size, and type of dataset used. Support Vector Machine (SVM) is a prominent technique used for classifying large datasets. This paper attempts to study the effect of Latent Semantic Analysis (LSA) on SVM. LSA is used for dimensionality reduction. The performance of SVM is studied on reduced dataset generated by LSA.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Trends in Document Analysis
Nächstes Kapitel Facial Recognition, Expression Recognition, and Gender Identification
Literatur
1.
2.
Xu, J., & Croft, W. B. (2017). Query expansion using local and global document analysis. In ACM SIGIR Forum (Vol. 51, No. 2), July 2017.
3.
Khatavkar, V., & Kulkarni, P. (2016, December). Context vector machine for information retrieval. International Conference on Communication and Signal Processing.
4.
Khatavkar, V., & Kulkarni, P. (2017). Document context identification using latent semantic analysis. Presented in 3rd International Conference on Computing, Communication, Control and Automation, August 17–18, 2017, Pune, MS, India. (To be published on IEEE).
5.
Sheikh, I., Illina, I., Fohr, D., & Linar, G. (2016). Document level semantic context for retrieving OOV proper names. ICASSP.
6.
Wissner-Gross, A. (2016). Datasets over algorithms, Edge.com. Retrieved January 8, 2016.
7.
8.
9.
10.
11.
12.
Onal Suzek, T. (2017). Using latent semantic analysis for automated keyword extraction from large document corpora. Turkish Journal of Electrical Engineering & Computer Sciences.
13.
Rajkumar, K., & Karthik, K. (2017). Contextual plagiarism detection using latent semantic analysis. International Research Journal of Advanced Engineering and Science, 2(1), 214–217.
14.
Marcolin, C. B., & Luiz Becker, J. (2016). Exploring latent semantic analysis in a big data (base). In Twenty-second Americas Conference on Information Systems, San Diego.
15.
Hofmann, T. (2017). Probabilistic latent semantic indexing. In ACM SIGIR Forum (Vol. 51, No. 2), July 2017.
16.
17.
Dumais, S. T. (2005). Latent semantic analysis. Annual Review of Information Science and Technology.
18.
19.
20.
Fatima, S., & Srinivasu, B. Dr. (2017, February). Text document categorization using support vector machine. International Research Journal of Engineering and Technology (IRJET).
21.
Cortes, C., & Vapnik, V. (2003). Support-vector networks. Machine Learning, 20(3), 273–297.MATH
22.
Joachims, T. (1991). Text categorization with support vector machines: Learning with many relevant features. University at Dortmund Informatik LS8, Baroper Str. 30144221 Dortmund, Germany.
23.
Abdiansah, A., & Wardoyo, R. (2015). Time complexity analysis of support vector machines (SVM) in LibSVM. International Journal of Computer Applications.
24.
25.
26.
27.
28.
Metadaten
Titel
Comparison of Support Vector Machines With and Without Latent Semantic Analysis for Document Classification
verfasst von
Vaibhav Khatavkar
Parag Kulkarni
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
Data Management, Analytics and Innovation

Print ISBN: 978-981-13-1401-8

Electronic ISBN: 978-981-13-1402-5

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-13-1402-5_20

Neuer Inhalt

    Bildnachweise