کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854928 1437600 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Historical inference based on semi-supervised learning
ترجمه فارسی عنوان
استنتاج تاریخی مبتنی بر یادگیری نیمه نظارتی است
کلمات کلیدی
فراگیری ماشین، یادگیری نیمه نظارتی، داده های تاریخی بزرگ، شجره نامه،
ترجمه چکیده
در گذشته، بیشتر تحقیقات تاریخی به صورت دستی انجام شده است با بررسی حقایق تاریخی بین خطوط اسناد. امروزه داده های بزرگ تاریخی به صورت الکترونیکی در دسترس بوده و پیشرفت در تکنیک های یادگیری ماشین به ما امکان می دهد که مقدار زیادی اطلاعات تاریخی را تجزیه و تحلیل کنیم. از یک دیدگاه تاریخی، ایجاد نگرانی در مورد موضع گیری های سیاسی شخصیت های تاریخی برای درک رقابت های تاریخی و ساختارهای قدرت یک دوران بسیار مهم است. بنابراین، در این مقاله، روشی را برای استنتاج سیستماتیک مکانیسم های قدرت بر اساس شبکه انسانی ساخته شده از داده های تاریخی پیشنهاد می کنیم. در این شبکه، انسانها با توجه به میزان وابستگی خانوادگی با استفاده از پرونده های شجره نامه ارتباط دارند و با موضع گیری های سیاسی در برنامه های ثبت شده در سالن های یک سلسله به عنوان یک نیروی سیاسی شناخته می شوند. و سپس، یک الگوریتم یادگیری ماشین، یادگیری نیمه نظارت، افرادی را دسته بندی می کند که نمی توانند موقعیت های سیاسی را به عنوان نیروهای سیاسی شناسایی کنند که نشان دهنده ارتباط شبکه ها است. اطلاعات شامل شجرهنامه قبیله اندونگونگون، رکورد روابط خانوادگی 10،243 نفر از کورا دهم تا 15 قرن و سالهای سلسله چسون، جلد تاریخی است که واقعیتهای تاریخی سلسله چسون را برای 472 سال توصیف می کند و شامل 1894 فاکیکل و 888 کتاب است. از داده ها، ما یک شبکه انسانی را بر اساس یک دوره تاریخی معنادار (1443-1488) ساختیم و مردم را با استفاده از روش پیشنهادی به دو نیروی سیاسی طبقه بندی کردیم. ما پیشنهاد می کنیم که این روش یادگیری ماشین به مطالعه تاریخی می تواند به عنوان یک ابزار مرجع قدرتمند از ذهنیت گرایی کارشناسان انسانی در زمینه تاریخ استفاده شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
استنتاج تاریخی مبتنی بر یادگیری نیمه نظارتی است
چکیده انگلیسی
In the past, most historical research has been manually carried out by exploring historical facts reading between the lines of documents. Nowadays, historical big data has become electronically available and advances in machine learning techniques allow us to analyze the vast amount of historical data. From a historical perspective, making inferences about political stances of historical figures is important for grasping historical rivalries and power structures of an era. Thus, in this paper, we propose an approach to the systematic inference of power mechanisms based on a human network constructed from historical data. In this network, humans are linked according to the degree of kinship using genealogy records, and identified by political stances on agendas recorded in the annals of a dynasty as a political force. And then, a machine learning algorithm, semi-supervised learning, classifies humans who cannot identify political stances as political forces that reflect the links of the networks. The data consist of the genealogy of the Andong Gwon clan, a record of family relations of 10,243 people from the 10th to 15th century Korea, and the Annals of the Joseon Dynasty, a historical volume that describes historical facts of the Joseon Dynasty for 472 years and is composed of 1894 fascicles and 888 books. From the data, we construct a human network based on a historically meaningful period (1443-1488), and classify people into two political forces using the proposed method. We suggest that this machine learning approach to historical study could be utilized as a potent reference tool devoid of the subjectivism of human experts in the field of history.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 106, 15 September 2018, Pages 121-131
نویسندگان
, , , ,