МЕТОД НЕЧІТКОЇ ІНТЕРАКТИВНОЇ КЛАСТЕРИЗАЦІЇ
Ключові слова:
кластеризація, дані, прийняття рішень, ефективність, нейронна мережа
Анотація
У статті досліджується приклад системи, де відбувається генерація великої кількості коротких текстів. У ній учасники формують документи стратегічного планування, у яких визначаються ключові показники ефективності. Формулювання ключових показників ефективності утворюють відповідний набір даних. У рамках цієї системи гостро стоїть завдання формування та актуалізації класифікатора, заснованого на даному наборі даних. Наведено розв'язання цієї задачі за допомогою методу нечіткої інтерактивної кластеризації. Даний метод дозволяє експерту проводити кластеризацію наборів коротких текстів, надаючи зворотний зв'язок за результатами кожного етапу інтерактивної кластеризації. Процедура зворотного зв'язку не передбачає наявності у експерта спеціальних знань про роботу нейронної мережі та збирається у вигляді матриці зворотного зв'язку, яку може прочитати людина. Такий підхід має переваги в порівнянні з методами кластеризації, що вимагають коригування метапараметрів алгоритму, не пов'язаних безпосередньо з результатами кластеризації. Також важливою перевагою запропонованого методу є можливість здійснювати кластеризацію наборів даних, що відносяться до різних мовних доменів, що не збігаються з доменом, на якому проводилося навчання мовної моделі, за рахунок запропонованого методу розширення словника мовної моделі. Ця властивість дозволяє використовувати запропонований метод у вузько спеціалізованих доменах, а також у доменах, що не дозволяють отримати повноцінний кортеж текстів для навчання мовної моделі.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. McCann, B., Bradbury, J., Xiong, C., Socher R. (2017), Learned in Translation: Contextualized Word Vectors. NIPS. I. Guyon, U. von Luxburg, S. Bengio, H.M. Wallach, R.Fergus, S.V.N. Vishwanathan, R. Garnett (eds). P. 6297-6308.
2. Meier B.B., Elezi, I., Amirian, M., Dürr, O.. Stadelmann, T. (2018), “Learning Neural Models for End-to-End Clustering”, Artificial Neural Networks in Pattern Recognition, Lecture Notes in Computer Science, Springer, Cham. / L. Pancioni, F. Schwenker, E. Trentin (eds.). Vol 11081.
3. Kammoun, N., Abassi, R., Guemara, S. (2019). Towards a new clustering algorithm based on trust management and edge computing for IoT. 2019 15th International Wireless Communications and Mobile Computing Conference, IWCMC 2019, 1570–1575, 8766492. doi: https://doi.org/10.1109/IWCMC.2019.8766492
4. Kovalenko, A., Kuchuk, H. (2022), Methods to Manage Data in Self-healing Systems. Studies in Systems, Decision and Control, 425, 113–171, doi: https://doi.org/10.1007/978-3-030-96546-4_3
5. Yang, J., Bao, L., Liu, W., Yang, R., Wu, C.Q. (2023). On a Meta Learning-Based Scheduler for Deep Learning Clusters. IEEE Transactions on Cloud Computing, 11(4), 3631–3642. doi: https://doi.org/10.1109/TCC.2023.3308161
6. Gomathi, B., Saravana Balaji, B., Krishna Kumar, V., Abouhawwash, M., Aljahdali, S., Masud, M. and Kuchuk, N. (2022), “Multi-Objective Optimization of Energy Aware Virtual Machine Placement in Cloud Data Center”, Intelligent Automation and Soft Computing, Vol. 33(3), pp. 1771–1785, doi: http://dx.doi.org/10.32604/iasc.2022.024052
7. Zuev, A., Karaman, D., Olshevskiy, A. (2023). Wireless sensor synchronization method for monitoring short-term events. Advanced Information Systems, 7(4), 33–40. doi: https://doi.org/10.20998/2522-9052.2023.4.04
8. Petrovska, I., Kuchuk, H. (2023). Adaptive resource allocation method for data processing and security in cloud environment. Advanced Information Systems, 7(3), 67–73. doi: https://doi.org/10.20998/2522-9052.2023.3.10
9. Kuchuk, N., Mozhaiev, O., Semenov, S., Haichenko, A., Kuchuk, H., Tiulieniev, S., Mozhaiev, M., Davydov, V., Brusakova, O., Gnusov, Y. (2023). Devising a method for balancing the load on a territorially distributed foggy environment. Eastern-European Journal of Enterprise Technologies, 1(4 (121), 48–55. doi: https://doi.org/10.15587/1729-4061.2023.274177
10. Kuchuk, N., Kovalenko, A., Ruban, I., Shyshatskyi, A., Zakovorotnyi, O., Sheviakov, I. (2023). Traffic Modeling for the Industrial Internet of NanoThings. 2023 IEEE 4th KhPI Week on Advanced Technology, KhPI Week 2023 - Conference Proceedings, 2023, doi: 194480. http://dx.doi.org/10.1109/KhPIWeek61412.2023.10312856
11. G. Khoroshun, O. Ryazantsev, and M. Cherpitskyi, “Clustering and anomalies of USA stock market volatility index data”, Advanced Information Systems, vol. 7, no. 2, pp. 9–15, Jun. 2023. doi: 10.20998/2522-9052.2023.2.02.
12. Li, G., Liu, Y., Wu, J., Lin, D., Zhao, Sh. (2019). Methods of Resource Scheduling Based on Optimized Fuzzy Clustering in Fog Computing. Sensors, MDPI, 19(9). doi: https://doi.org/10.3390/s19092122
2. Meier B.B., Elezi, I., Amirian, M., Dürr, O.. Stadelmann, T. (2018), “Learning Neural Models for End-to-End Clustering”, Artificial Neural Networks in Pattern Recognition, Lecture Notes in Computer Science, Springer, Cham. / L. Pancioni, F. Schwenker, E. Trentin (eds.). Vol 11081.
3. Kammoun, N., Abassi, R., Guemara, S. (2019). Towards a new clustering algorithm based on trust management and edge computing for IoT. 2019 15th International Wireless Communications and Mobile Computing Conference, IWCMC 2019, 1570–1575, 8766492. doi: https://doi.org/10.1109/IWCMC.2019.8766492
4. Kovalenko, A., Kuchuk, H. (2022), Methods to Manage Data in Self-healing Systems. Studies in Systems, Decision and Control, 425, 113–171, doi: https://doi.org/10.1007/978-3-030-96546-4_3
5. Yang, J., Bao, L., Liu, W., Yang, R., Wu, C.Q. (2023). On a Meta Learning-Based Scheduler for Deep Learning Clusters. IEEE Transactions on Cloud Computing, 11(4), 3631–3642. doi: https://doi.org/10.1109/TCC.2023.3308161
6. Gomathi, B., Saravana Balaji, B., Krishna Kumar, V., Abouhawwash, M., Aljahdali, S., Masud, M. and Kuchuk, N. (2022), “Multi-Objective Optimization of Energy Aware Virtual Machine Placement in Cloud Data Center”, Intelligent Automation and Soft Computing, Vol. 33(3), pp. 1771–1785, doi: http://dx.doi.org/10.32604/iasc.2022.024052
7. Zuev, A., Karaman, D., Olshevskiy, A. (2023). Wireless sensor synchronization method for monitoring short-term events. Advanced Information Systems, 7(4), 33–40. doi: https://doi.org/10.20998/2522-9052.2023.4.04
8. Petrovska, I., Kuchuk, H. (2023). Adaptive resource allocation method for data processing and security in cloud environment. Advanced Information Systems, 7(3), 67–73. doi: https://doi.org/10.20998/2522-9052.2023.3.10
9. Kuchuk, N., Mozhaiev, O., Semenov, S., Haichenko, A., Kuchuk, H., Tiulieniev, S., Mozhaiev, M., Davydov, V., Brusakova, O., Gnusov, Y. (2023). Devising a method for balancing the load on a territorially distributed foggy environment. Eastern-European Journal of Enterprise Technologies, 1(4 (121), 48–55. doi: https://doi.org/10.15587/1729-4061.2023.274177
10. Kuchuk, N., Kovalenko, A., Ruban, I., Shyshatskyi, A., Zakovorotnyi, O., Sheviakov, I. (2023). Traffic Modeling for the Industrial Internet of NanoThings. 2023 IEEE 4th KhPI Week on Advanced Technology, KhPI Week 2023 - Conference Proceedings, 2023, doi: 194480. http://dx.doi.org/10.1109/KhPIWeek61412.2023.10312856
11. G. Khoroshun, O. Ryazantsev, and M. Cherpitskyi, “Clustering and anomalies of USA stock market volatility index data”, Advanced Information Systems, vol. 7, no. 2, pp. 9–15, Jun. 2023. doi: 10.20998/2522-9052.2023.2.02.
12. Li, G., Liu, Y., Wu, J., Lin, D., Zhao, Sh. (2019). Methods of Resource Scheduling Based on Optimized Fuzzy Clustering in Fog Computing. Sensors, MDPI, 19(9). doi: https://doi.org/10.3390/s19092122
Опубліковано
2024-04-30
Як цитувати
Steblyanko B. Метод нечіткої інтерактивної кластеризації / B. Steblyanko, O. Ni, H. Kuchuk, D. Volk // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 2 (76). – С. 152-154. – doi:https://doi.org/10.26906/SUNZ.2024.2.152.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
