Publikace detail

A Novel Approach to Regression: Exploring the Similarity Space with Ordinary Least Squares on Database Records

Autoři: Rozinek Ondřej | Borkovcová Monika

Rok: 2024

Druh publikace: článek ve sborníku

Název zdroje: Conference of Open Innovation Association, FRUCT

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 270-277

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Nový přístup k regresi: Zkoumání prostoru podobnosti s obyčejnými nejmenšími čtverci v záznamech databáze	Šíření textových dat, zejména ve formě databázových záznamů, vyžaduje inovativní metody analýzy, které jdou nad rámec tradičních numerických technik. Zatímco regrese nejmenších čtverců byla základním kamenem kvantitativní analýzy dat, její použitelnost na textová data zůstává do značné míry neprozkoumaná. Tato studie si klade za cíl překlenout tuto mezeru zavedením metody nejmenších čtverců založené na podobnosti přizpůsobené pro textová data. Na základě principů míry podobnosti v textu, jako je sémantická a syntaktická blízkost, navrhujeme rozšíření konvenčního rámce nejmenších čtverců. Náš přístup zahrnuje metriky podobnosti založené na slovech do objektivní funkce nejmenších čtverců, což umožňuje analýzu textových dat způsobem, který je v souladu s jejich kvalitativní povahou. Vyvinutá metodika je důsledně hodnocena pomocí syntetických i reálných databázových záznamů, což prokazuje její účinnost při odhalování složitých vztahů v rámci textových dat. Naše zjištění otevírají nové cesty pro analýzu textových dat a spojují přesnost třídy.	podobnostní prostor, lineární regrese, podobnostní vyhledávání
eng	A Novel Approach to Regression: Exploring the Similarity Space with Ordinary Least Squares on Database Records	The proliferation of textual data, notably in the form of database records, calls for innovative methods of analysis that go beyond traditional numerical techniques. While least squares regression has been a cornerstone in quantitative data analysis, its applicability to textual data remains largely unexplored. This study aims to bridge this gap by introducing a similarity-based least squares method tailored for textual data. Drawing on the principles of similarity measures in text, such as semantic and syntactic closeness, we propose an extension to the conventional least squares framework. Our approach incorporates wordbased similarity metrics into the least squares objective function, enabling the analysis of textual data in a manner coherent with its qualitative nature. The developed methodology is rigorously evaluated using both synthetic and real-world database records, demonstrating its efficacy in uncovering intricate relationships within textual data. Our findings open new avenues for textual data analysis, blending the precision of class.	similarity space, linear regression, similarity search

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte