เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การสรุปความเอกสารหลายฉบับ× | การจำแนกข้อความ× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด | — | — |
| ผู้ริเริ่ม | — | — |
| ประเภท≠ | NLP text-summarization task | Supervised NLP classification task |
| แหล่งต้นตำรับ≠ | Erkan, G. & Radev, D.R. (2004). LexRank: Graph-Based Lexical Centrality as Salience in Text Summarization. Journal of Artificial Intelligence Research, 22, 457-479. link ↗ | Joachims, T. (1998). Text Categorization with Support Vector Machines: Learning with Many Relevant Features. ECML 1998. Lecture Notes in Computer Science, vol 1398. Springer. DOI ↗ |
| ชื่อเรียกอื่น≠ | MDS, Çok Belgeli Özetleme (Multi-Document Summarization), multi-source summarization | text categorization, document classification, topic classification, metin sınıflandırma |
| ที่เกี่ยวข้อง≠ | 5 | 4 |
| สรุป≠ | Multi-document summarization (MDS) is a natural-language-processing task that condenses a cluster of related documents into a single comprehensive, coherent, and non-redundant summary. Formally described by Erkan and Radev (2004) through the LexRank algorithm, MDS is used in news cluster analysis, systematic literature reviews, and research synthesis to give readers a unified view of information spread across multiple sources. | Text classification, also called text categorization, is a supervised natural-language-processing task that automatically assigns documents to predefined categories. Building on the support-vector-machine approach to text categorization established by Joachims (1998) and consolidated in the text-mining literature by Aggarwal and Zhai (2012), it powers tasks such as spam detection and topic classification by learning from labelled examples. |
| ScholarGateชุดข้อมูล ↗ |
|
|