فایل ورد کامل کاربرد روش ماشین بردار پشتیبان موازی پیشرفته بر اساس هستی شناسی در تعلیم فیلتر کردن مقیاس پذیر اسپم

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل کاربرد روش ماشین بردار پشتیبان موازی پیشرفته بر اساس هستی شناسی در تعلیم فیلتر کردن مقیاس پذیر اسپم،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۶ صفحه

چکیده

هرزنامه در هر نوع و شکلی همچنان به طور فزاینده به آسیب رسانی خود ادامه می دهد. روش های مختلفی از جمله تکنیک های ماشین بردار پشتیبان (SVM) برای آموزش فیلترینگ هرزنامه و طبقه بندی آن ها پیشنهاد داده شده است. با این حال، آموزش SVM یک فرآیند به شدت محاسباتی است. با این حال، آموزش SVM یک فرآیند به شدت محاسباتی است. این مقاله یک الگوریتم SVM موازی مبتنی بر نگاشت کاهش را برای آموزش فیلتر مقیاس پذیر هرزنامه ارائه می کند. با توزیع، پردازش و بهینه سازی زیرمجموعه های داده های آموزش در بین چندین نود رایانه ای مشارکت کننده، روش SVM موازی زمان آموزش را به طور قابل توجهی کاهش می دهد. مفاهیم هستی شناسی برای به حداقل رساندن تاثیر افت دقت در حین توزیع داده های مورش در بین برخی از طبقه بندی کننده های SVM به کار گرفته می شوند. نتایج تجربی (آزمایشی) نشان می دهند که تقویت مبتنی بر هسته شناسی سبب بهبود سطح دقت تکنیک SVM موازی فراتز ار تکنیک ترتیبی اصلی می شود.

۶- نتیجه گیری ها و کار آتی

در این مقاله الگوریتم SVM موازی مبتنی بر نگاشت کاهش برای آموزش سریع فیلترینگ هرزنامه ارائه شده است. با توزیع مجموعه داده ها به تعدادی از نودهای رایانشی، SVM موازی زمان آموزش را به طور قابل توجهی کاهش می دهد. به منظور کاهش افت دقت در طبقه بندی، روش SVM موازی به همراه مفاهیم هستی شناختی تقویت شده است. فرصت های متعددی برای بهبود بیشتر روش SVM موازی وجود دارد. ما قصد داریم تا درباره روش های مناسب در ارتباط با نحوه استخراج خودکار اطلاعات اضافی از نمونه های حاشیه ای و به کار گرفتن این حلقه پسخورد به فرآیند یادگیری ماشین را در SVM موازی تحقیق کنیم. در حال حاضر، روش حلقه پسخورد مبتنی بر هسته شناسی بیشتر بر مبنای تخصص انسانی و سرمایه گذاری متکی است تا بتواند زمینه های پنهانی را شناسایی کند که سبب کاهش مساله انتشار مفهوم می شود. ما قصد داریم تا درباره تکنیک های مرتبط با شناسایی خودکار انتشار مفهوم در طبقه بندی مشابه با کار ارائه شده در [۴۲] تحقیق کنیم.

عنوان انگلیسی:DAn ontology enhanced parallel SVM for scalable spam filter training~~en~~

Abstract

Spam, under a variety of shapes and forms, continues to inflict increased damage. Varying approaches including Support Vector Machine (SVM) techniques have been proposed for spam filter training and classification. However, SVM training is a computationally intensive process. This paper presents a MapReduce based parallel SVM algorithm for scalable spam filter training. By distributing, processing and optimizing the subsets of the training data across multiple participating computer nodes, the parallel SVM reduces the training time significantly. Ontology semantics are employed to minimize the impact of accuracy degradation when distributing the training data among a number of SVM classifiers. Experimental results show that ontology based augmentation improves the accuracy level of the parallel SVM beyond the original sequential counterpart.

۶- Conclusions

and future work In this paper we have presented a MapReduce based parallel SVM algorithm for fast spam filter training. By distributing the data set into a number of computing nodes, the parallel SVM reduces the training time considerably. To mitigate accuracy degradation in classification, the parallel SVM is augmented with ontology semantics. There is ample room for further improvement to the parallel SVM. We intend to research appropriate schemes on how to automatically extract additional intelligence from annotated instances and employ this with the feedback loop to the machine learning process within the parallel SVM. Currently, the ontology based feedback loop approach is mostly based and capitalizes on human expertise to identify hidden context which mitigates the problem of concept drift. We intend to research relevant techniques to automatically identify concept drift in classification similar to the work presented in [42].

$$en!!