Zum Inhalt

Erweiterte Suche

Ergebnisvorschau für Ihre aktuellen Suchbegriffe: 0

Suchoperatoren:

Sie können Operatoren mit Ihrer Suchanfrage kombinieren, um diese noch präziser einzugrenzen. Klicken Sie auf den Suchoperator, um eine Erklärung seiner Funktionsweise anzuzeigen.
Findet Dokumente mit genau dieser Wortgruppe in exakt dieser Schreibweise und Reihenfolge (z.B. "employer branding").
Findet Dokumente, in denen beide Begriffe zusammen vorkommen (z.B. vertrieb UND bonus).
Findet Dokumente, in denen einer der beiden oder beide Begriffe vorkommen (z.B. porsche OR volkswagen).
Findet Dokumente, in denen alle Begriffe vorkommen. Das Leerzeichen wird als UND interpretiert (z.B. mensch roboter alltag).
Findet Dokumente, in denen der Begriff nach NOT nicht vorkommt (z.B. ford NOT "harrison ford").
Findet Dokumente, in denen der gesuchte Begriff mehr als n mal vorkommt. n steht für eine beliebige Anzahl (z.B. COUNT(getriebe)>8).
Findet Dokumente, in denen beide Begriffe in beliebiger Reihenfolge innerhalb von maximal n Worten zueinander stehen. Empfehlung: Wählen Sie zwischen 15 und 30 als maximale Wortanzahl (z.B. NEAR(hybrid, antrieb, 20)).
Findet Dokumente, in denen der Begriff in Wortvarianten vorkommt, wobei diese VOR, HINTER oder VOR und HINTER dem Suchbegriff anschließen können (z.B., leichtbau*, *leichtbau, *leichtbau*).
Findet Dokumente mit dem Suchbegriff in verschiedenen Schreibweisen. Das ? steht für eine einzige Stelle (z.B. organi?ation).
Sonderzeichen werden als UND interpretiert (z.B. Mann + Hummel).

Semantische Suche

powered by (Link öffnet in neuem Fenster)
loading …
Anmelden
Nach oben

How to Detect Novelty in Textual Data Streams? A Comparative Study of Existing Methods

  • 2020
  • OriginalPaper
  • Buchkapitel
Erschienen in:
Verfasst von
Clément Christophe
Julien Velcin
Jairo Cugliari
Philippe Suignard
Manel Boumghar
Erschienen in
Advanced Analytics and Learning on Temporal Data
Verlag
Springer International Publishing

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

search-config
loading …

Abstract

Da Datensätze mit Anmerkungen zur Neuheit auf Dokumenten- und / oder Wortebene nicht ohne Weiteres verfügbar sind, präsentieren wir ein Simulationsrahmenwerk, das es uns ermöglicht, verschiedene Textdatensätze zu erstellen, in denen wir die Art und Weise kontrollieren, wie Neuheit entsteht. Außerdem präsentieren wir einen Benchmark bestehender Methoden zur Neuheitenerkennung in Textdatenströmen. Wir definieren ein paar Aufgaben zur Lösung und zum Vergleich mehrerer moderner Methoden. Das Simulationsrahmenwerk erlaubt es uns, ihre Leistung anhand einer Reihe begrenzter Szenarien zu bewerten und ihre Empfindlichkeit gegenüber einigen Parametern zu testen. Schließlich experimentieren wir im New York Times Annotated Dataset mit denselben Methoden zu verschiedenen Arten von Neuheiten.
Mit KI übersetzt

Sie sind bereits Kunde? Dann loggen Sie sich hier ein, um Zugang zu erhalten

Kundenlogin

Sie sind noch kein Kunde? Dann Informieren Sie sich jetzt über unsere Lizenzmodelle:

Einzelzugang

Starten Sie jetzt Ihren persönlichen Einzelzugang. Erhalten Sie sofortigen Zugriff auf mehr als 170.000 Bücher und 540 Zeitschriften - pdf-Downloads und Neu-Erscheinungen inklusive.

Jetzt ab 54,00 € pro Monat!                                        

Mehr erfahren

Zugang für Unternehmen

Nutzen Sie Springer Professional in Ihrem Unternehmen und geben Sie Ihren Mitarbeitern fundiertes Fachwissen an die Hand. Fordern Sie jetzt Informationen für Firmenzugänge an.

Erleben Sie, wie Springer Professional Sie in Ihrer Arbeit unterstützt!

Beraten lassen

Für Entdecker: Lernen Sie Springer Professional besser kennen mit einer kostenlosen Registrierung

Kostenlos Registrieren
Vorheriges Kapitel Feature-Based Gait Pattern Classification for a Robotic Walking Frame
Nächstes Kapitel Seq2VAR: Multivariate Time Series Representation with Relational Neural Networks and Linear Autoregressive Model
Titel
How to Detect Novelty in Textual Data Streams? A Comparative Study of Existing Methods
Verfasst von
Clément Christophe
Julien Velcin
Jairo Cugliari
Philippe Suignard
Manel Boumghar
Copyright-Jahr
2020
Buch
Advanced Analytics and Learning on Temporal Data

Print ISBN: 978-3-030-39097-6

Electronic ISBN: 978-3-030-39098-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-39098-3_9
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.

Premium Partner

    ADVERTORIAL

    KI-Agenten im Operations Management

    ADVERTORIAL

    Ihre Webinar-Matineen von IT-Director und IT-Mittelstand

    Bildnachweise
    AvePoint Deutschland GmbH/© AvePoint Deutschland GmbH, ams.solutions GmbH/© ams.solutions GmbH, Wildix/© Wildix, arvato Systems GmbH/© arvato Systems GmbH, Ninox Software GmbH/© Ninox Software GmbH, Nagarro GmbH/© Nagarro GmbH, GWS mbH/© GWS mbH, CELONIS Labs GmbH, USU GmbH/© USU GmbH, G Data CyberDefense/© G Data CyberDefense, Vendosoft/© Vendosoft, Kumavision/© Kumavision, Noriis Network AG/© Noriis Network AG, tts GmbH/© tts GmbH, Asseco Solutions AG/© Asseco Solutions AG, AFB Gemeinnützige GmbH/© AFB Gemeinnützige GmbH, Ferrari electronic AG/© Ferrari electronic AG, Doxee AT GmbH/© Doxee AT GmbH , Haufe Group SE/© Haufe Group SE, NTT Data/© NTT Data, Bild 1 Verspätete Verkaufsaufträge (Sage-Advertorial 3/2026)/© Sage, IT-Director und IT-Mittelstand: Ihre Webinar-Matineen in 2025 und 2026/© amgun | Getty Images