Overall, the performance of this se

Overall, the performance of this set of patterns was at least respectable and in some cases , very good. Some of the patterns were very simple . For SCL2.2, the pattern was simply a disjunction of the terms, “families”, “family”, or “feed”, and it achieved a very high Recall value. Its Precision was mode rate , however, because a significant number of sentences associated with other codes also included these terms . This highlights the diffi culty of the “semantic overlap problem ”. In the case of “hand- built” mechanisms like this one, the problem is especially difficult because there is no way to know if a particular pattern is optimal or how close to optimal it is . For this reason, and to allow a broader coverage of the classification
space , we explored automatic methods of class ification using Latent Semantic Analys is and Machine Learning

Kết quả (Việt) 1:

Nhìn chung, hiệu suất này tập hợp các mô hình là ít đáng kính và trong một số trường hợp, rất tốt. Một số các mô hình đã rất đơn giản. Cho SCL2.2, các mô hình đã là chỉ đơn giản là một disjunction điều khoản, "gia đình", "gia đình" hoặc "nguồn cấp dữ liệu", và nó đạt được một giá trị thu hồi rất cao. Độ chính xác của nó là chế độ tỷ lệ, Tuy nhiên, bởi vì một số câu liên quan đến mã khác đáng kể cũng bao gồm các điều khoản này. Điều này làm nổi bật khó culty của vấn đề của ngữ nghĩa chồng chéo"". Trong trường hợp của "tay-xây dựng" các cơ chế như thế này, vấn đề là đặc biệt là khó khăn vì không có cách nào để biết nếu một mô hình cụ thể là tối ưu hoặc làm thế nào gần với tối ưu thật. Vì lý do này, và cho phép một vùng phủ sóng rộng hơn của phân loạikhông gian, chúng tôi khám phá phương pháp tự động của lớp Anh sử dụng tiềm ẩn ngữ nghĩa nhà là và máy học

Kết quả (Việt) 2:

Nhìn chung, việc thực hiện này tập hợp các mô hình là ít nhất đáng kính và trong một số trường hợp, rất tốt. Một số mô hình rất đơn giản. Đối với SCL2.2, mô hình chỉ đơn giản là một phép giao của các thuật ngữ "gia đình", "gia đình", hoặc "ăn", và nó đạt được một giá trị Nhớ lại rất cao. Chính xác của nó là tỷ lệ chế độ, tuy nhiên, vì một số lượng đáng kể các câu liên quan đến các mã khác cũng bao gồm các điều khoản này. Điều này nhấn mạnh sự gặp khó diffi của "vấn đề chồng chéo ngữ nghĩa". Trong trường hợp "tay xây dựng" cơ chế như thế này, vấn đề là đặc biệt khó khăn vì không có cách nào để biết nếu một mô hình cụ thể là tối ưu hoặc làm thế nào để tối ưu gần nó được. Vì lý do này, và để cho phép một phạm vi rộng lớn hơn của việc phân loại
không gian, chúng tôi khám phá những phương pháp tự động của lớp ification sử dụng ngữ nghĩa tiềm ẩn PHÂN TÍCH được và Machine Learning