Let us mention some problems which

Let us mention some problems which this research tries to solve. When discovering the dependencies among features of encoding texts or words into numerical vectors, the Bayesian networks was proposed as the approaches to the text mining tasks, but the complicated analysis is required for using them [1]. The assumption that features are independent of each other causes the requirement of many features for the robustness in encoding so. Since each feature has the very weak coverage, we cannot avoid the sparse distribution of each numerical vector where zero values are dominant with more than 95% [3]. Therefore, this research is intended to solve the problems by considering the feature similarity as well as the feature value similarity.

결과 (한국어) 1:

우리가이 연구를 해결 하기 위해 시도 하는 몇 가지 문제를 언급. 베이지안 네트워크 텍스트 마이닝 작업을 접근 제안 때 인코딩 텍스트 또는 단어 숫자 벡터를의 기능 사이의 종속성을 발견 했지만 복잡 한 분석은 그들 [1]을 사용 하 여 필요. 가정 기능 서로 독립적 그렇게 인코딩 견고성에 대 한 많은 기능 요구 사항이 발생 합니다. 각 기능에 매우 약한 범위 이후 우리 0 값은 95% 이상 [3] 지배적인 각 숫자 벡터의 스파스 배포를 피할 수 없다. 따라서,이 연구는 기능 가치 유사성 뿐 아니라 기능 유사성을 고려 하 여 문제를 해결 하는 위한 것입니다.

결과 (한국어) 2:

우리가이 연구를 해결하려고 몇 가지 문제를 언급하자. 수치 벡터로 텍스트 나 단어를 부호화하는 기능 중 종속성을 발견하면, 베이지안 네트워크는 텍스트 마이닝 작업에 접근로서 제안되었지만, 복잡한 분석들을 이용하여 필요 [1]. 기능은 서로 독립적 인 가정은 그렇게 인코딩에 대한 견고성 많은 기능의 요건을 야기한다. 각각의 특징은 매우 약한 커버리지를 가지고 있기 때문에, 우리는 0 값이 95 % 이상 [3]으로 지배적 각각 수치 벡터의 희박한 분포를 피할 수 없다. 따라서 본 연구는 기능 유사도뿐만 아니라, 특징 량의 유사도를 고려함으로써 문제를 해결하고자한다.

결과 (한국어) 3:

우리 얘기 좀 이 연구 문제를 해결해야 한다.발견 의존 관계에 대한 텍스트 또는 문자 인코딩 기능 값 벡터 대해, 네트워크 같은 방법으로 텍스트 발굴. 하지만 반드시 그 복잡한 분석 사용 (1).이 기능을 가정 서로 독립 때문에 요구 특징 중 많은 성 인코딩 이렇게.이 모든 특징을 가지고 약해 덮어쓰기, 우리는 피할 수 없습니다. 모든 게 매체 성긴 분포 곳 위주로 제로 값 보다 95% 3] [.그래서이 연구를 위한 문제를 해결하는 특성 특성 값 비슷한 역시 비슷한 점이 있다.