Boosting novelty for biomedical information retrieval through probabilistic latent semantic analysis

2013 ◽  
Author(s):  
Xiangdong An ◽  
Jimmy Xiangji Huang
Keyword(s):  
Information Retrieval ◽  
Latent Semantic Analysis ◽  
Semantic Analysis ◽  
Probabilistic Latent Semantic Analysis ◽  
Biomedical Information Retrieval

scholarly journals Penerapan Information Retrieval Menggunakan Pemodelan Topik Pada Deskripsi Portal Multimedia

2019 ◽  
Vol 2 (1) ◽  
pp. 48
Author(s):  
Indra Gita Anugrah ◽  
Harunur Rosyid
Keyword(s):  
Information Retrieval ◽  
Em Algorithm ◽  
Latent Semantic Analysis ◽  
Semantic Analysis ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Probabilistic Latent Semantic Analysis

<p>Pesatnya perkembangan teknologi informasi saat ini, diikuti meningkatnya perkembangan data. Data merupakan informasi yang sangat berharga perkembangan yang semakin pesat menyebabkan kesulitan dalam pengelolaannya. Salah satu pemanfaatan data adalah penggunaan temu kembali informasi pada portal video multimedia. Semakin banyak video multimedia yang tersimpan pada repositori maka semakin sulit dalam proses pencarian. Pada proses pencarian, pengguna terkadang menginginkan korelasi diantara hasil pencarian. Untuk membentuk korelasi dari hasil pencarian, dibutuhkan sebuah pemodelan topik yang berfungsi sebagai penghubung diantara query, kata dan dokumen dari deskripsi video multimedia. Salah satu metode pemodelan topik dapat dilakukan menggunakan model <em>Probabilistic Latent Semantic Analysis</em> <em>(PLSA)</em> dengan algoritma <em>Expectation dan Maximization (EM Algorithm)</em>. Algoritma EM merupakan algoritma untuk menduga suatu parameter, tahap awal adalah melakukan pencarian nilai ekspektasi <em>(Expectation).</em> Pencarian nilai ekspektasi membutuhkan topik sebagai parameter awal yang nilai parameter-parameter akan diperbaharui menggunakan algoritma <em>Maximization</em>. Proses pembentukan parameter awal dilakukan menggunakan algoritma <em>Naive Bayes</em>, dimana algoritma Naive Bayes digunakan memprediksi kejadian dimasa datang menggunakan pengalaman sebelumnya.</p>

Local and Global Latent Semantic Analysis for Text Categorization

2014 ◽  
Vol 4 (3) ◽  
pp. 1-13
Author(s):  
Khadoudja Ghanem
Keyword(s):  
Information Retrieval ◽  
High Precision ◽  
Latent Semantic Analysis ◽  
Classification Accuracy ◽  
Text Categorization ◽  
Semantic Analysis ◽  
Experimental Results ◽  
Semantic Approach ◽  
Document Categorization ◽  
Second Use

In this paper the authors propose a semantic approach to document categorization. The idea is to create for each category a semantic index (representative term vector) by performing a local Latent Semantic Analysis (LSA) followed by a clustering process. A second use of LSA (Global LSA) is adopted on a term-Class matrix in order to retrieve the class which is the most similar to the query (document to classify) in the same way where the LSA is used to retrieve documents which are the most similar to a query in Information Retrieval. The proposed system is evaluated on a popular dataset which is 20 Newsgroup corpus. Obtained results show the effectiveness of the method compared with those obtained with the classic KNN and SVM classifiers as well as with methods presented in the literature. Experimental results show that the new method has high precision and recall rates and classification accuracy is significantly improved.

Sign in / Sign up

Export Citation Format

Share Document