Enxame de partículas aplicado ao agrupamento de textos

Detalhes bibliográficos
Ano de defesa: 2010
Autor(a) principal: Prior, Ana Karina Fontes lattes
Orientador(a): Silva, Leandro Nunes de Castro lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Presbiteriana Mackenzie
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
enxame de partículas
mineração de textos
mineração de dados
agrupamento de textos
agrupamento de dados
Palavras-chave em Inglês:
particle swarms
text mining
data mining
clustering
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: http://dspace.mackenzie.br/handle/10899/24314
Resumo: A grande quantidade de dados gerados por pessoas e organizações tem estimulado a pesquisa sobre métodos efetivos e automáticos de extração de conhecimentos a partir de bases de dados. Essa dissertação propõe duas novas técnicas bioinspiradas, denominadas cPSC e oPSC, baseadas no algoritmo de otimização por enxame de partículas (PSO - Particle Swarm Optimization) para resolver problemas de agrupamento de dados. Os algoritmos propostos são aplicados a problemas de agrupamento de dados e textos, e seus desempenhos são comparados com outros propostos na literatura específica. Os resultados obtidos nos permitem concluir que os algoritmos propostos são competitivos com aqueles já disponíveis na literatura, porém trazem outros benefícios como a determinação automática do número de grupos nas bases e a efetuação de uma busca pelo melhor particionamento possível da base considerando uma função de custo explícita.
id UPM_f347908c4201a403b0c2039bbe7108db
oai_identifier_str oai:dspace.mackenzie.br:10899/24314
network_acronym_str UPM
network_name_str Repositório Digital do Mackenzie
repository_id_str
spelling http://lattes.cnpq.br/2741458816539568Prior, Ana Karina FontesSilva, Leandro Nunes de Castrohttp://lattes.cnpq.br/69621704100197632016-03-15T19:37:34Z2020-05-28T18:08:29Z2011-01-282020-05-28T18:08:29Z2010-12-22A grande quantidade de dados gerados por pessoas e organizações tem estimulado a pesquisa sobre métodos efetivos e automáticos de extração de conhecimentos a partir de bases de dados. Essa dissertação propõe duas novas técnicas bioinspiradas, denominadas cPSC e oPSC, baseadas no algoritmo de otimização por enxame de partículas (PSO - Particle Swarm Optimization) para resolver problemas de agrupamento de dados. Os algoritmos propostos são aplicados a problemas de agrupamento de dados e textos, e seus desempenhos são comparados com outros propostos na literatura específica. Os resultados obtidos nos permitem concluir que os algoritmos propostos são competitivos com aqueles já disponíveis na literatura, porém trazem outros benefícios como a determinação automática do número de grupos nas bases e a efetuação de uma busca pelo melhor particionamento possível da base considerando uma função de custo explícita.The large number of data generated by people and organizations has stimulated the research on effective and automatic methods of knowledge extraction from databases. This dissertation proposes two new bioinspired techniques, named cPSC and oPSC, based on the Particle Swarm Optimization Algorithm (PSO) to solve data clustering problems. The proposed algorithms are applied to data and text clustering problems and their performances are compared with a standard algorithm from the literature. The results allow us to conclude that the proposed algorithms are competitive with those already available in literature, but bring benefits such as automatic determination of the number of groups on the dataset and a search for the best partitioning of the dataset considering an explicit cost function.Fundo Mackenzie de Pesquisaapplication/pdfhttp://dspace.mackenzie.br/handle/10899/24314porUniversidade Presbiteriana Mackenzieenxame de partículasmineração de textosmineração de dadosagrupamento de textosagrupamento de dadosparticle swarmstext miningdata miningclusteringCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAhttp://tede.mackenzie.br/jspui/retrieve/3783/Ana%20Karina%20Fontes%20Prior.pdf.jpgEnxame de partículas aplicado ao agrupamento de textosEnxame de partículas aplicado ao agrupamento de textosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Digital do Mackenzieinstname:Universidade Presbiteriana Mackenzie (MACKENZIE)instacron:MACKENZIESilva, Leandro Augusto dahttp://lattes.cnpq.br/1396385111251741Carvalho, Marco Antônio Garcia dehttp://lattes.cnpq.br/6366443994619479BREngenharia ElétricaUPMEngenharia ElétricaORIGINALAna Karina Fontes Prior.pdfAna Karina Fontes Prior.pdfapplication/pdf415555https://dspace.mackenzie.br/bitstreams/02a14e17-f60f-4f96-8fef-84181c7c6317/downloadd1507b5336ebdc25fd9fdeaaed118e65MD51TEXTAna Karina Fontes Prior.pdf.txtAna Karina Fontes Prior.pdf.txtExtracted texttext/plain100062https://dspace.mackenzie.br/bitstreams/0fdc274c-846d-49de-932e-7e468a386401/download73b560f5f6e85405f5c9f97ddfc85c2bMD52THUMBNAILAna Karina Fontes Prior.pdf.jpgAna Karina Fontes Prior.pdf.jpgGenerated Thumbnailimage/jpeg1183https://dspace.mackenzie.br/bitstreams/3449dc05-dd15-4fa5-a1f5-d7d717153ad3/downloadb305028b4637146850c846a641b79d54MD5310899/243142022-03-14 16:59:40.934oai:dspace.mackenzie.br:10899/24314https://dspace.mackenzie.brBiblioteca Digital de Teses e Dissertaçõeshttp://tede.mackenzie.br/jspui/PRIhttps://adelpha-api.mackenzie.br/server/oai/repositorio@mackenzie.br||paola.damato@mackenzie.bropendoar:102772022-03-14T16:59:40Repositório Digital do Mackenzie - Universidade Presbiteriana Mackenzie (MACKENZIE)false
dc.title.por.fl_str_mv Enxame de partículas aplicado ao agrupamento de textos
Enxame de partículas aplicado ao agrupamento de textos
title Enxame de partículas aplicado ao agrupamento de textos
spellingShingle Enxame de partículas aplicado ao agrupamento de textos
Prior, Ana Karina Fontes
enxame de partículas
mineração de textos
mineração de dados
agrupamento de textos
agrupamento de dados
particle swarms
text mining
data mining
clustering
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
title_short Enxame de partículas aplicado ao agrupamento de textos
title_full Enxame de partículas aplicado ao agrupamento de textos
title_fullStr Enxame de partículas aplicado ao agrupamento de textos
title_full_unstemmed Enxame de partículas aplicado ao agrupamento de textos
title_sort Enxame de partículas aplicado ao agrupamento de textos
author Prior, Ana Karina Fontes
author_facet Prior, Ana Karina Fontes
author_role author
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/2741458816539568
dc.contributor.author.fl_str_mv Prior, Ana Karina Fontes
dc.contributor.advisor1.fl_str_mv Silva, Leandro Nunes de Castro
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/6962170410019763
contributor_str_mv Silva, Leandro Nunes de Castro
dc.subject.por.fl_str_mv enxame de partículas
mineração de textos
mineração de dados
agrupamento de textos
agrupamento de dados
topic enxame de partículas
mineração de textos
mineração de dados
agrupamento de textos
agrupamento de dados
particle swarms
text mining
data mining
clustering
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
dc.subject.eng.fl_str_mv particle swarms
text mining
data mining
clustering
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
description A grande quantidade de dados gerados por pessoas e organizações tem estimulado a pesquisa sobre métodos efetivos e automáticos de extração de conhecimentos a partir de bases de dados. Essa dissertação propõe duas novas técnicas bioinspiradas, denominadas cPSC e oPSC, baseadas no algoritmo de otimização por enxame de partículas (PSO - Particle Swarm Optimization) para resolver problemas de agrupamento de dados. Os algoritmos propostos são aplicados a problemas de agrupamento de dados e textos, e seus desempenhos são comparados com outros propostos na literatura específica. Os resultados obtidos nos permitem concluir que os algoritmos propostos são competitivos com aqueles já disponíveis na literatura, porém trazem outros benefícios como a determinação automática do número de grupos nas bases e a efetuação de uma busca pelo melhor particionamento possível da base considerando uma função de custo explícita.
publishDate 2010
dc.date.issued.fl_str_mv 2010-12-22
dc.date.available.fl_str_mv 2011-01-28
2020-05-28T18:08:29Z
dc.date.accessioned.fl_str_mv 2016-03-15T19:37:34Z
2020-05-28T18:08:29Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://dspace.mackenzie.br/handle/10899/24314
url http://dspace.mackenzie.br/handle/10899/24314
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Presbiteriana Mackenzie
publisher.none.fl_str_mv Universidade Presbiteriana Mackenzie
dc.source.none.fl_str_mv reponame:Repositório Digital do Mackenzie
instname:Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron:MACKENZIE
instname_str Universidade Presbiteriana Mackenzie (MACKENZIE)
instacron_str MACKENZIE
institution MACKENZIE
reponame_str Repositório Digital do Mackenzie
collection Repositório Digital do Mackenzie
bitstream.url.fl_str_mv https://dspace.mackenzie.br/bitstreams/02a14e17-f60f-4f96-8fef-84181c7c6317/download
https://dspace.mackenzie.br/bitstreams/0fdc274c-846d-49de-932e-7e468a386401/download
https://dspace.mackenzie.br/bitstreams/3449dc05-dd15-4fa5-a1f5-d7d717153ad3/download
bitstream.checksum.fl_str_mv d1507b5336ebdc25fd9fdeaaed118e65
73b560f5f6e85405f5c9f97ddfc85c2b
b305028b4637146850c846a641b79d54
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Digital do Mackenzie - Universidade Presbiteriana Mackenzie (MACKENZIE)
repository.mail.fl_str_mv repositorio@mackenzie.br||paola.damato@mackenzie.br
_version_ 1851946024319320064

Registros relacionados