정보 필터링 시스템

Information filtering system

정보 필터링 시스템은 인간 사용자에게 제시하기 전에 (반)자동화 또는 컴퓨터화된 방법을 사용하여 정보 스트림에서 중복되거나 원하지 않는 정보를 제거하는 시스템입니다.주요 목표는 정보 과부하의 관리와 의미 신호 대 잡음비의 증가이다.이를 위해 사용자의 프로파일을 몇 가지 참조 특성과 비교합니다.이러한 특성은 정보 항목(콘텐츠 기반 접근법) 또는 사용자의 사회 환경(협력 필터링 접근법)에서 비롯될 수 있습니다.

정보전송신호처리 필터는 비트레벨에서 구문을 파괴하는 노이즈에 대해 사용되는 반면 정보필터링에 사용되는 방법은 시멘틱레벨에서 동작합니다.

사용되는 기계 방법의 범위는 정보 추출의 방법과 동일한 원칙을 기반으로 합니다.이메일 스팸 필터 분야에서 주목할 만한 응용 프로그램을 찾을 수 있습니다.따라서 어떤 형태의 필터가 필요한 것은 정보 폭증뿐 아니라 의도치 않게 또는 악의적으로 의사 정보를 도입하는 것입니다.

프레젠테이션 수준에서 정보 필터링은 사용자 환경 설정 기반 뉴스 피드 등의 형태를 취합니다.

추천 시스템 및 콘텐츠 검색 플랫폼은 사용자가 관심 있는 사용자 정보 항목(영화, 텔레비전, 음악, 책, 뉴스, 웹 페이지)을 제공하는 활성 정보 필터링 시스템입니다.이러한 시스템은 사용자를 향한 정보 흐름에서 정보 항목을 제거하는 것이 아니라 사용자를 향해 흐르는 정보에 정보 항목을 추가합니다.콘텐츠 기반 추천 시스템은 존재하지만 일반적으로 협업 필터링 접근법 또는 협업 필터링 접근법과 콘텐츠 기반 필터링 접근법의 조합을 사용합니다.

역사

인터넷이 등장하기 전에 이미 정보를 필터링하는 몇 가지 방법이 있습니다. 예를 들어, 정부는 공식 또는 비공식 검열을 통해 특정 국가의 정보 흐름을 통제하고 제한할 수 있습니다.

한편, 고객, 서적, 잡지, 신문, 라디오 청취자, TV 시청자에게 가장 가치 있는 정보를 선별하는 서비스를 제공할 때 신문 편집자, 언론인을 참조하면 정보 필터에 대해 이야기한다.이 필터링 조작은, 본서비스의 고객인 학생에 대해서, 학술적인 기준에 근거해 지원을 제공하는 정보가 선별된 학교나 대학에서도 행해지고 있습니다.인터넷의 등장으로 누구나 자신이 원하는 것을 저비용으로 출판할 수 있게 되었다.이렇게 하면 유용성이 낮은 정보가 대폭 증가하고 결과적으로 품질 정보가 전파된다.이 문제를 계기로 각 주제에 필요한 정보를 쉽고 효율적으로 얻을 수 있는 새로운 필터링을 고안하기 시작했습니다.

작동

이 스타일의 필터링 시스템은 사람들이 가장 가치 있는 정보를 찾을 수 있도록 도와주는 몇 가지 도구로 구성되어 있으므로 읽기/듣기/보기 전용으로 사용할 수 있는 제한된 시간이 가장 흥미롭고 가치 있는 문서로 올바르게 지정됩니다.또한 이러한 필터는 주소가 지정된 메일의 그룹 메시지와 함께 정보를 정확하고 이해하기 쉬운 방법으로 구성 및 구성하는 데 사용됩니다.이러한 필터는 인터넷 검색 엔진에서 얻은 결과에 필수적입니다.필터링 기능은 웹 문서 및 메시지를 보다 효율적으로 다운로드 받을 수 있도록 매일 개선됩니다.

기준

이 단계에서 사용되는 기준 중 하나는 지식이 유해한지 여부, 지식이 개념 유무에 따라 더 잘 이해할 수 있는지 여부입니다.이 경우 유해한 정보를 지식으로 줄이거나 제거하는 정보 필터링 업무입니다.

학습 시스템

학습 콘텐츠 시스템은 일반적으로 다음 세 가지 기본 단계로 구성됩니다.

  1. 첫째, 정의된 일련의 작업에 대한 솔루션을 제공하는 시스템입니다.
  2. 그 후, 문제의 해결과 관련하여 이전 단계의 성과를 측정하는 평가 기준을 거친다.
  3. 1단계의 시스템솔버에서 사용되는 지식을 얻은 수집 모듈.

미래.

현재 문제는 정보를 필터링하는 최선의 방법을 찾는 것이 아니라 이러한 시스템이 사용자의 정보 요구를 독립적으로 학습하는 데 필요한 방법을 찾는 것입니다.필터링 프로세스를 자동화할 뿐만 아니라 필터의 구축과 적응도 자동화하기 때문입니다.통계, 머신 러닝, 패턴 인식, 데이터 마이닝 등, 이것에 근거하는 브랜치는, 경험에 근거해 나타나고 적응하는 정보 필터를 개발하기 위한 베이스가 됩니다.학습 과정을 수행하기 위해서는 정보의 일부를 미리 필터링해야 합니다. 즉, 전문가에 의해 생성되거나 일반 사용자의 피드백을 통해 생성될 수 있는 교육 데이터에 이름을 붙인 긍정적인 예와 부정적인 예가 있습니다.

에러

데이터가 입력되면 시스템에 새로운 규칙이 포함됩니다.이 데이터가 훈련 데이터 정보를 일반화할 수 있다고 생각하면 시스템 개발을 평가하고 새로운 정보의 범주를 정확하게 예측하는 시스템의 능력을 측정해야 합니다.이 단계는 오류율을 측정하기 위해 사용할 "테스트 데이터"라는 새로운 시리즈로 교육 데이터를 분리하는 것으로 간소화됩니다.일반적으로 오류 유형(허위 긍정과 거짓 부정)을 구별하는 것이 중요합니다.예를 들면, 아동용 컨텐츠의 애그리게이터의 경우, 폭력이나 포르노를 나타내는, 아동용의 컨텐츠의 전달을 허가하는 것은, 일부의 적절한 정보를 폐기하는 실수와 같은 중대성을 가지지 않는다.오류율을 낮추기 위해 시스템을 개선하고 인간과 유사한 학습 능력을 가진 시스템을 갖추기 위해 우리는 자연의 언어 이해, 공통의 의미 포착 및 정보의 의미를 달성하기 위한 다른 형태의 고급 처리와 같은 인간의 인지 능력을 시뮬레이션하는 시스템의 개발이 필요하다.

사용 분야

오늘날에는 정보 필터를 개발하는 수많은 기법이 있으며, 이들 중 일부는 [citation needed]다양한 실험에서 10% 미만의 오류율에 도달합니다.이러한 기술 중에는 의사결정 트리, 서포트 벡터 머신, 뉴럴 네트워크, 베이지안 네트워크, 선형 판별자, 로지스틱 회귀 등이 있습니다.현재, 이러한 기법은 웹 컨텍스트뿐만 아니라 음성 인식, 망원경 천문학의 분류 또는 재정 위험 평가와 같이 다양한 주제 문제에 서로 다른 애플리케이션에 사용된다.

「 」를 참조해 주세요.

레퍼런스

외부 링크