文献

J-GLOBAL ID：201802232582856092   整理番号：18A0719083

eラーニングにおける区間事象からの行動の時間特性のマイニング【JST・京大機械翻訳】

Mining temporal characteristics of behaviors from interval events in e-learning

著者 (3件)： Xie Tao (College of Computer and Information Science, Southwest University, Chongqing 400715, China) ,  Zheng Qinghua (College of Computer and Information Science, Southwest University, Chongqing 400715, China) ,  Zhang Weizhan (College of Computer and Information Science, Southwest University, Chongqing 400715, China)
資料名： Information Sciences  (Information Sciences)
巻： 447  ページ： 169-185  発行年： 2018年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： データマイニングコミュニティにおける多くの研究は,主にイベントの頻度,例えば頻繁なパターンマイニング,それらの期間を無視することに基づく時間的知識をマイニングする。本論文では,周波数と継続時間の両方を考慮することにより,大きな学習データをマイニングする方法を検討した。それはイベントの重要性を評価するための関数を定義し,意味論に従ってそれらを大きい一様事象(BUEs)に要約し,さらに,計算バイアス問題を避けるためにスライディングウィンドウを用いてBUEsを分割する。時間的特性を発見するタスクは,最終的に複雑な時間的に頻繁なパターンと相関ルールをマイニングするために減少する。この方法を検証するために,システムのオーバーヘッド,パターンの質,およびモデルパラメータをテストするために,合成および実データセットの両方について一連の広範な実験を行った。結果は,著者らのマイニングフレームワークがサービス可能であり,パターンの品質を効果的に改善できることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 継続時間 ,  *eラーニング ,  周波数 ,  意味論 ,  相関ルール ,  バイアス ,  データマイニング ,  品質
準シソーラス用語： モデルパラメータ ,  オーバヘッド ,  スライディングウィンドウ ,  学習データ ,  パターンマイニング , 【Automatic Indexing@JST】

著者キーワード (4件)： 時間データマイニング ,  時間特性 ,  区間事象 ,  eラーニング

分類 (3件)： 人工知能  (JE08000Z) ,  データベースシステム  (JD03030U) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： eラーニング ,  事象 ,  行動