| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2010-06-25 14:15 WEB検索高度化のためのアンサンブル学習に基づく訓練事例の精錬 平林宏基・○岩沼宏治・山本泰生・鍋島英知（山梨大）  AI2010-5 |
|
| 抄録 | （和） | WEB の専門検索エンジンを簡便に構築するための手法として，小山らは“検索隠し味” と呼ばれる検索質問へ拡張語を付加する方法を提案している．この検索隠し味を生成するには決定木学習が必要となるが，その決定木学習用の良質な学習データの準備には大きな労力を必要とする．本研究では，バギングと呼ばれるアンサンブル学習法を用いて，決定木の学習のための良質な学習データを自動生成する手法について実証的な考察を行う．検証実験を通して，先行研究よりも安定的に良質な学習用データを生成できる可能性が高いことを示す． |
| （英） | The Keyword Spices, proposed Oyama et al., is a sort of a query-expansion technology, which adds pre-computed additional words to a given query in order to perform an effective domain-specific WEB search. The Keyword Spice technology can achieve a significant performance, but needs a great deal of high-quality training data for learning a decision tree, from which adequate additional words to a query are generated. In this paper, we study an ensemble learning method, especially so-called a bagging, for decision trees used to refine noisy training data for synthesizing good keyword spice words. Throughout experimental evaluations, we show that a bagging method has a high possibility for stabilizing the effects for refining noisy data. | |
| キーワード | （和） | WEB検索 / 検索隠し味 / アンサンブル学習 / 決定木 / 専門検索 / バギング / / |
| （英） | WEB search / keyword spice / ensemble learning / decision tree / domain-specific search / refinement / bagging / | |
| 文献情報 | 信学技報, vol. 110, no. 105, AI2010-5, pp. 25-30, 2010年6月. | |
| 資料番号 | AI2010-5 | |
| 発行日 | 2010-06-18 (AI) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | AI2010-5 |
|
| 研究会情報 | |
| 研究会 | AI |
| 開催期間 | 2010-06-25 - 2010-06-25 |
| 開催地（和） | 関学東京キャンパス |
| 開催地（英） | |
| テーマ（和） | 「Webインテリジェンス」および一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | AI |
| 会議コード | 2010-06-AI |
| 本文の言語 | 日本語 |
| タイトル（和） | WEB検索高度化のためのアンサンブル学習に基づく訓練事例の精錬 |
| サブタイトル（和） | |
| タイトル（英） | Refining Noisy Training Examples Based on Ensemble Learning for Intelligent Domain-Specific WEB Search |
| サブタイトル（英） | |
| キーワード(1)（和/英） | WEB検索 / WEB search |
| キーワード(2)（和/英） | 検索隠し味 / keyword spice |
| キーワード(3)（和/英） | アンサンブル学習 / ensemble learning |
| キーワード(4)（和/英） | 決定木 / decision tree |
| キーワード(5)（和/英） | 専門検索 / domain-specific search |
| キーワード(6)（和/英） | バギング / refinement |
| キーワード(7)（和/英） | / bagging |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 平林 宏基 / Hiroki Hirabayashi / ヒラバヤシ ヒロキ |
| 第1著者 所属（和/英） | 山梨大学 (略称： 山梨大) University of Yamanashi (略称： Univ. of Yamanashi) |
| 第2著者 氏名（和/英/ヨミ） | 岩沼 宏治 / Koji Iwanuma / イワヌマ コウジ |
| 第2著者 所属（和/英） | 山梨大学 (略称： 山梨大) University of Yamanashi (略称： Univ. of Yamanashi) |
| 第3著者 氏名（和/英/ヨミ） | 山本 泰生 / Yoshitaka Yamamoto / ヤマモト ヨシタカ |
| 第3著者 所属（和/英） | 山梨大学 (略称： 山梨大) University of Yamanashi (略称： Univ. of Yamanashi) |
| 第4著者 氏名（和/英/ヨミ） | 鍋島 英知 / Hidetomo Nabeshima / ナベシマ ヒデトモ |
| 第4著者 所属（和/英） | 山梨大学 (略称： 山梨大) University of Yamanashi (略称： Univ. of Yamanashi) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第2著者 |
| 発表日時 | 2010-06-25 14:15:00 |
| 発表時間 | 30分 |
| 申込先研究会 | AI |
| 資料番号 | AI2010-5 |
| 巻番号（vol） | vol.110 |
| 号番号（no） | no.105 |
| ページ範囲 | pp.25-30 |
| ページ数 | 6 |
| 発行日 | 2010-06-18 (AI) |
[研究会発表申込システムのトップページに戻る]