| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن | 
|---|---|---|---|---|
| 10355066 | 867029 | 2014 | 23 صفحه PDF | دانلود رایگان | 
عنوان انگلیسی مقاله ISI
												An evaluation framework for cross-lingual link discovery
												
											ترجمه فارسی عنوان
													چارچوب ارزیابی کشف پیوند متقابل 
													
												دانلود مقاله + سفارش ترجمه
													دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
																																												کلمات کلیدی
												ویکیپدیا، کشف پیوند متقابل زبانی، چارچوب ارزیابی، اعتبار سنجی، ارزیابی، معیارهای ارزیابی،
																																							
												ترجمه چکیده
												این چارچوب شامل موضوعات، مجموعه های سند، ارزیابی ها، متریک ها و یک مجموعه ابزار برای جمع آوری، ارزیابی و ارزیابی است. ارزیابی ها به دو مجموعه جداگانه تقسیم می شوند: ارزیابی دستی توسط ارزیابان انسانی؛ و ارزیابی خودکار بر اساس لینک های استخراج شده از ویکی پدیا خود. با استفاده از این چارچوب، ما نشان می دهیم که ارزیابی دستی بسیار قوی تر از ارزیابی خودکار در زمینه کشف پیوند متقابل است.
																							موضوعات مرتبط
												
													مهندسی و علوم پایه
													مهندسی کامپیوتر
													 نرم افزارهای علوم کامپیوتر
												
											چکیده انگلیسی
												This framework includes topics, document collections, assessments, metrics, and a toolkit for pooling, assessment, and evaluation. The assessments are further divided into two separate sets: manual assessments performed by human assessors; and automatic assessments based on links extracted from Wikipedia itself. Using this framework we show that manual assessment is more robust than automatic assessment in the context of cross-lingual link discovery.
											ناشر
												Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Processing & Management - Volume 50, Issue 1, January 2014, Pages 1-23
											Journal: Information Processing & Management - Volume 50, Issue 1, January 2014, Pages 1-23
نویسندگان
												Ling-Xiang Tang, Shlomo Geva, Andrew Trotman, Yue Xu, Kelly Y. Itakura, 
											