can be seen that in order to satisf

can be seen that in order to satisfy the first
objective a diagonal matrix A would suffice
since it would assign different weight to
the different axes. In order to learn various
correspondences and correlations in the
feature space we learn the full matrix A.
The next three sections discuss the three
stages of development of our work:
i) Collection and parsing of data.
ii) The learning strategy used for learning
the distance metric.
iii) Design of a feature space for the email
documents.
III. DATA COLLECTION AND PARSING:
The data used for this project comes from
the CALO initiative (URL:
http://www.calo.sri.com) in the form or
collections of emails of people. We
gratefully acknowledge Ben Taskar for
helping us out with the data accumulation.
This serves us well in two contexts, giving
us ample data to learn/test on as well as
possible labeling since they are organized
in folders for each person. The folder
organization for each person has been used
to test the accuracy of our system.
Even though availability of data has been a
non-issue, cleanliness has definitely been a
major hurdle. Even though email headers
impart a lot of structure and semantics to
emails, even the MIME headers do not have
all standard features and only all-present
headers (e.g. sent to:, cc:, bcc:) have been
used in order to impart scalability to the
system. However, it is not the headers that
pose the biggest challenge.
Email text does not possess any standard
structure and is not even restricted to the
English grammar. Text features as
punctuations, emoticons etc. occur as
frequently as normal words in emails. To
our credit, the above have been converted
from a hurdle in standardization to assets
in context detection by indexing them
along with other words in the mails.
However, numerous other problems do
exist. For example, HTML in emails (the
html body parts in multi-part MIME
messages) has been avoided and the ASCII
portions used for analysis since the tags
tend to dominate the top ranking tokens of
the mails.
Even though we have handled most issues
the hampered our progress in training, we
cannot claim complete success in the
objective. However, we do not see a
solution apart from having a knowledge
base of patterns (e.g. HTML tags), which
are consequently excluded by the agent
from its parsing and training schedule.
IV. LEARNING STRATEGY:
Our learning methodologies are primarily
derived from the work of Xing et al. [1].
The representation of a distance metric is
as described in section II. We learn the
distance metric in 2 ways, which shall be
analyzed and compared as part of the
result analysis of our work. These 2
strategies are as:
i) Learning a diagonal A:
Xing et al. [1] have defined the following
objective function in order to learn a
diagonal A = diag(A11, A22, …., Ann).
where,
S and D retain the same specifications i.e.
set of similar and dissimilar points
respectively.
This is done by performing a Newton’s
search over the search space. The optima
are found by minimizing the above
objective function given the constraint that
A remains positive semi definite. The above
constraint is imposed by performing a line
search before the update step in the
optimization to obtain the step size (in
addition to the learning rate) alpha that
ensures A remaining p.s.d. The log function
over the dissimilar set ensures that the
summation does not below zero since this is
a minimization.
The derivations for the gradient and
Hessian equations used in our learning code
have been provided as Appendix A

Kết quả (Việt) 1:

có thể thấy rằng để đáp ứng đầu tiênmục tiêu một ma trận đường chéo A sẽ đủkể từ khi nó sẽ chỉ định các trọng lượng khác nhau đểcác trục khác nhau. Để tìm hiểu nhiềuCorrespondences và mối tương quan ở cáctính năng space chúng tôi tìm hiểu đầy đủ ma trận A.Tiếp theo ba phần thảo luận bagiai đoạn phát triển của công việc của chúng tôi:i) thu thập và phân tích dữ liệu.II) chiến lược học tập được sử dụng cho việc học tậpthước đo khoảng cách.III) thiết kế không gian tính năng cho emailtài liệu.III. CÁC DỮ LIỆU THU THẬP VÀ PHÂN TÍCH CÚ PHÁP:Dữ liệu được sử dụng cho dự án này đến từCác sáng kiến CALO (URL:http://www.calo.Sri.com) dưới hình thức hoặcCác bộ sưu tập của các email của người dân. Chúng tôigratefully thừa nhận Ben Taskar chogiúp chúng tôi với việc tích lũy dữ liệu.Điều này chúng tôi phục vụ tốt trong bối cảnh hai, đưa racho chúng tôi các dữ liệu phong phú để tìm hiểu, thí nghiệm trên cũng nhưcó thể ghi nhãn kể từ khi họ được tổ chứctrong các thư mục cho mỗi người. Thư mụctổ chức cho mỗi người đã được sử dụngđể kiểm tra tính chính xác của hệ thống của chúng tôi.Mặc dù tình trạng sẵn có của dữ liệu đã mộtvấn đề không, sạch sẽ chắc chắn đã có mộtrào cản lớn. Mặc dù gửi email thông tin thưtruyền đạt rất nhiều cấu trúc và ngữ nghĩa đểemail, thậm chí là các tiêu đề MIME không cóTất cả các tính năng tiêu chuẩn và duy nhất đến nay tất cảtiêu đề (ví dụ: gửi đến:, cc:, bcc:) đãđược sử dụng để truyền đạt khả năng mở rộng để cácHệ thống. Tuy nhiên, nó không phải là các tiêu đề đóĐặt ra thách thức lớn nhất.Email văn bản không có bất kỳ tiêu chuẩncấu trúc và không phải là ngay cả giới hạn trong cácNgữ pháp tiếng Anh. Văn bản các tính năng nhưNgoân, biểu tượng cảm xúc vv xảy ra như làthường xuyên như bình thường từ trong email. Đểtín dụng của chúng tôi, ở trên đã được chuyển đổitừ một rào cản trong các tiêu chuẩn tài sảntrong bối cảnh phát hiện bởi chỉ mục chúngcùng với các từ khác trong thư.Tuy nhiên, rất nhiều các vấn đề khác làmtồn tại. Ví dụ, HTML trong email (thebộ phận cơ thể HTML ở đa phần MIMEtin nhắn) đã được tránh và ASCII làphần sử dụng cho việc phân tích từ các thẻcó xu hướng thống trị top xếp hạng thẻ củathư.Mặc dù chúng tôi đã xử lý hầu hết các vấn đềCác cản trở sự tiến bộ của chúng tôi trong việc đào tạo, chúng tôikhông thể yêu cầu bồi thường thành công hoàn toàn trong cácmục tiêu. Tuy nhiên, chúng tôi không nhìn thấy mộtgiải pháp ngoài việc có một kiến thứccăn cứ mô hình (ví dụ như HTML tags), màkết quả là bị loại trừ bởi các đại lýtừ phân tích và lịch trình đào tạo.IV. HỌC CHIẾN LƯỢC:Phương pháp học tập của chúng tôi là chủ yếubắt nguồn từ công việc của Xing et al. [1].Các đại diện của một thước đo khoảng cách lànhư được mô tả trong phần II. Chúng tôi tìm hiểu cácthước đo khoảng cách trong 2 cách,phân tích và so sánh như một phần của cáckết quả phân tích công việc của chúng tôi. 2chiến lược như:i) học diagonal A:Xing et al. [1] đã xác định như sauhàm mục tiêu để tìm hiểu mộtđường chéo A = c (A11, A22,..., Ann).ở đâu,S và D giữ lại các thông số kỹ thuật tương tự tức làtập hợp các điểm giống và khác nhautương ứng.Điều này được thực hiện bằng cách thực hiện một NewtonTìm kiếm trong không gian tìm kiếm. Các optimađược tìm thấy bằng cách giảm thiểu các bên trênhàm mục tiêu đưa ra những hạn chế đóMột vẫn còn tích cực bán nhất định. Ở trênhạn chế được áp dụng bằng cách thực hiện một dòngTìm kiếm trước khi Cập Nhật bước vào cáctối ưu hóa để có được kích thước bước (trongNgoài ra tỷ lệ học tập) alpha màđảm bảo p.s.d. còn lại Chức năng đăng nhậptrên các thiết lập khác nhau đảm bảo rằng cácTổng kết có không dưới 0 kể từ này làgiảm thiểu.Từ tiếng Pháp cho gradient vàHessian phương trình được sử dụng trong mã của chúng tôi học tậpđã được cung cấp như phụ lục A

Kết quả (Việt) 2:

Có thể thấy rằng để đáp ứng các đầu
mục tiêu một ma trận đường chéo A sẽ đủ
vì nó sẽ gán trọng lượng khác nhau để
các trục khác nhau. Để học khác nhau
thư từ và tương quan trong
không gian đặc trưng chúng ta học ma trận A. đầy đủ
Ba phần tiếp theo thảo luận về ba
giai đoạn phát triển của công việc của chúng tôi:
. I) Thu thập và phân tích dữ liệu
ii) Các chiến lược học tập sử dụng cho việc học tập
các khoảng cách số liệu.
iii) Thiết kế một không gian đặc trưng cho các email
tài liệu.
III. THU THẬP DỮ LIỆU và phân tích:
Các dữ liệu sử dụng cho dự án này xuất phát từ
sáng kiến CALO (URL:
http://www.calo.sri.com) dưới hình thức hay
các bộ sưu tập của các email của người dân. Chúng tôi
chân thành cảm ơn Ben Taskar cho
giúp đỡ chúng tôi với sự tích lũy dữ liệu.
Điều này phục vụ chúng ta tốt trong hai bối cảnh, tạo cho
chúng tôi dữ liệu phong phú để tìm hiểu / thử nghiệm trên cũng như
ghi nhãn có thể vì chúng được tổ chức
trong các thư mục cho mỗi người. Các thư mục
tổ chức cho mỗi người đã được sử dụng
để kiểm tra tính chính xác của hệ thống của chúng tôi.
Mặc dù có số liệu đã là một
vấn đề không, sạch sẽ đã chắc chắn là một
rào cản lớn. Mặc dù tiêu đề email
truyền đạt rất nhiều cấu trúc và ngữ nghĩa để
email, ngay cả những tiêu đề MIME không có
tất cả các tính năng tiêu chuẩn và chỉ toàn hiện
tiêu đề (ví dụ như gửi đến :, cc :, bcc :) đã được
sử dụng để truyền đạt khả năng mở rộng đến
hệ thống. Tuy nhiên, nó không phải là các tiêu đề đó
đặt ra những thách thức. Lớn nhất
văn bản Email không có bất kỳ tiêu chuẩn
cấu trúc và thậm chí không giới hạn trong
ngữ pháp tiếng Anh. Văn bản có tính năng như
các dấu, biểu tượng cảm xúc, vv xảy ra
thường xuyên như những lời bình thường trong email. Để
tín dụng của chúng tôi, ở trên đã được chuyển đổi
từ một trở ngại trong tiêu chuẩn hóa để tài sản
trong việc phát hiện bối cảnh bằng cách lập chỉ mục chúng
cùng với các từ khác trong các thư.
Tuy nhiên, nhiều vấn đề khác không
tồn tại. Ví dụ, HTML trong email (các
bộ phận cơ thể html trong MIME đa phần
tin nhắn) đã tránh được và ASCII
phần được sử dụng để phân tích vì các thẻ
có xu hướng thống trị các thẻ thứ hạng đầu của
các thư.
Mặc dù chúng tôi đã xử lý hầu hết các vấn đề
của cản trở sự tiến bộ của chúng tôi trong việc đào tạo, chúng tôi
không thể khẳng định hoàn toàn thành công trong
mục tiêu. Tuy nhiên, chúng ta không thấy một
giải pháp ngoài việc có một kiến thức
cơ sở của mô hình (ví dụ như thẻ HTML), mà
do đó được loại trừ bởi các đại lý
từ phân tích cú pháp và tiến độ đào tạo.
IV. HỌC CHIẾN LƯỢC:
phương pháp học tập của chúng tôi chủ yếu
xuất phát từ công việc của Xing et al. [1].
Các đại diện của một thước đo khoảng cách được
mô tả trong phần II. Chúng tôi tìm hiểu những
khoảng cách số liệu trong 2 cách, được
phân tích và so sánh như là một phần của các
phân tích kết quả của công việc của chúng tôi. Đây là 2
chiến lược như:
i) Học một Một đường chéo:
Xing et al. [1] đã được xác định như sau
hàm mục tiêu để học hỏi
Một đường chéo = diag (A11, A22, ...., Ann).
Nơi,
S và D giữ lại các thông số kỹ thuật tương tự tức là
thiết lập các điểm giống nhau và khác nhau
tương ứng.
Điều này được thực hiện bằng cách thực hiện của Newton
tìm kiếm trên không gian tìm kiếm. Các Optima
được tìm thấy bằng cách giảm thiểu trên
hàm mục tiêu được đưa ra ràng buộc là
A vẫn tích cực bán nhất định. Trên đây
hạn chế được áp đặt bằng cách thực hiện một đường
tìm kiếm trước khi bước cập nhật trong
tối ưu hóa để có được kích thước bước (ở
ngoài tỷ lệ học) alpha mà
đảm bảo Một psd Các chức năng đăng nhập còn lại
trên các thiết lập khác nhau đảm bảo rằng
tổng kết không dưới không vì đây là
một hạn chế tối đa.
các Mục từ cho gradient và
phương trình Hessian sử dụng trong mã học tập của chúng tôi
đã được cung cấp như Phụ lục A