This subsection is concerned with t

This subsection is concerned with the scheme of computing the similarity between numerical vectors as illustrated in Figure 1. In this research, we call the traditional similarity measures such as cosine similarity and Euclidean distance Int'l Conf. on Advances in Big Data Analytics | ABDA'15 | 65 feature value similarities where consider only feature values for computing it. In this research, we consider the feature similarity as well as the feature value similarity for computing it as the similarity measure which is specialized for text mining tasks. The numerical vectors which represent texts or words tend to be strongly sparse; only feature value similarity becomes easily fragile to the tendency. Therefore, in this subsection, as the solution to the problem, we describe the proposed scheme of computing the similarity between numerical vectors.

결과 (한국어) 1:

이 하위 섹션은 그림 1에서 볼 수 있듯이 숫자 벡터 간의 유사성을 계산의 체계에 염려 한다. 이 연구에서 우리 진보 큰 데이터 분석에 코사인 유사성, 유클리드 거리 국제 컨퍼런스 등 전통적인 유사성 측정 전화 | 앤드류 ' 15 | 65 기능 값 유사성 어디 그것을 컴퓨팅 기능 값만을 고려 하십시오. 이 연구에서 우리 기능 유사성으로 텍스트 마이닝 작업에 대 한 전문화 되는 유사성 측정으로 컴퓨팅에 대 한 기능 가치 유사성을 고려 하십시오. 텍스트 또는 단어가 나타내는 숫자 벡터 경향이 강하게 스파스; 기능 가치 유사성만 추세를 쉽게 깨지기 된다. 따라서, 문제에 해결책으로이 하위 섹션에 우리 컴퓨팅 숫자 벡터 사이의 유사성의 제안된 체계를 설명 합니다.

결과 (한국어) 2:

이 하위 섹션은 본 연구에서는 그림 1에 도시 된 바와 같이 수치 벡터 사이의 유사도를 계산하는 방식에 관한 것이다, 우리는 코사인 유사성과 유클리드 거리 국제 학술 대회로 기존의 유사성 조치를 호출합니다. 빅 데이터 분석의 발전에 | ABDA'15 | 만 고려 65 기능 값 유사성을 계산하는 값이 있습니다. 본 연구에서는 피처 유사도뿐만 아니라 텍스트 마이닝 태스크 특화 유사도로 산출하는 특징 량의 유사도를 고려한다. 텍스트 나 단어를 나타내는 수치 벡터 강하게 부족한 경향이있다; 유일한 특징 량 유사성 경향 깨지기 쉽게된다. 따라서,이 항에서, 문제의 해결책으로서, 우리는 수치 벡터 사이의 유사도를 계산하는 제안 된 방법을 설명한다.

결과 (한국어) 3:

그 계획에 대해 이 돈을 계산 수치 벡터 같 그림 1.이 연구, 우리는 비슷한 조치를 코사인 전통 등 비슷한 거리 국제 conf. 진행 | 큰 데이터 처리'15 같은 큰 | 65 특성 값 특성 값 어디 겨우 계산 생각할 수 있다.이 연구우리는 비슷한 것도 특성 특성 값 계산 이 비슷한 같 이 전문 텍스트 채굴 작업.수치 벡터 텍스트 단어 대표, 쉽게 강한 성긴 특성 값; 아니라, 더욱 쉽게 약한 비슷한 경향이 있다.그래서 이 제, 이 문제를 해결하는 방법을우리는 이 계획에 대해 설명을 계산 수치 벡터 비슷한 점이 있다.