کاربرد روش SVM موازی ارتقا یافته مبتنی بر هستی شناسی در آموزش فیلترینگ
ترجمه شده

کاربرد روش SVM موازی ارتقا یافته مبتنی بر هستی شناسی در آموزش فیلترینگ

عنوان فارسی مقاله: کاربرد روش SVM موازی ارتقا یافته مبتنی بر هستی شناسی در آموزش فیلترینگ (فیلتر کردن) مقیاس پذیر هرزنامه (اسپم)
عنوان انگلیسی مقاله: An ontology enhanced parallel SVM for scalable spam filter training
مجله/کنفرانس: محاسبات عصبی - Neurocomputing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر و فناوری اطلاعات
گرایش های تحصیلی مرتبط: اینترنت و شبکه های گسترده، امنیت اطلاعات
کلمات کلیدی فارسی: فیلترینگ (فیلتر کردن) هرزنامه، ماشین بردار پشتیبان (SVM)، رایانش (محاسبات) موازی، طبقه بندی، نگاشت کاهش
کلمات کلیدی انگلیسی: Spam filtering - Support vector machine - Parallel computing - Classification - MapReduce
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neucom.2012.12.001
دانشگاه: دانشکده مهندسی و طراحی ، دانشگاه برونل ، انگلستان
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2013
ایمپکت فاکتور: 5.188 در سال 2018
شاخص H_index: 110 در سال 2019
شاخص SJR: 0.996 در سال 2018
شناسه ISSN: 0925-2312
شاخص Quartile (چارک): Q1 در سال 2018
صفحات مقاله انگلیسی: 13
صفحات ترجمه فارسی: 32 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: ورد و pdf
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 9955
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


2. کارهای مرتبط 


3. موازی سازی SVM با نگاشت کاهش 


4. تقویت هستی شناسی


5. نتایج تجربی


5-1 راندمان روش SMO موازی


5-2 مقایسه با یک SMO مبتنی بر MPI 


5-3 دقت روش SMO موازی


5-4 ارزیابی روش SMO موازی با استفاده از روش های گروهی


5-5 تقویت هستی شناسی


6. نتیجه گیری ها و کار آتی


منابع

فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related work


3. Parallelizing SVM with MapReduce


4. Ontology augmentation


5. Experimental results


5.1. The efficiency of the parallel SMO


5.2. A comparison with an MPI based SMO


5.3. The accuracy of the parallel SMO


5.4. Evaluating the parallel SMO with ensemble approaches


5.5. Ontology augmentation


6. Conclusions and future work

نمونه ترجمه فارسی مقاله

چکیده


هرزنامه  در هر نوع و شکلی همچنان به طور فزاینده به آسیب رسانی خود ادامه می دهد. روش های مختلفی از جمله تکنیک های ماشین بردار پشتیبان  (SVM) برای آموزش فیلترینگ هرزنامه و طبقه بندی آن ها پیشنهاد داده شده است. با این حال، آموزش SVM یک فرآیند به شدت محاسباتی است. با این حال، آموزش SVM یک فرآیند به شدت محاسباتی است. این مقاله یک الگوریتم SVM موازی مبتنی بر نگاشت کاهش را برای آموزش فیلتر مقیاس پذیر هرزنامه ارائه می کند. با توزیع، پردازش و بهینه سازی زیرمجموعه های داده های آموزش در بین چندین نود رایانه ای مشارکت کننده، روش SVM موازی زمان آموزش را به طور قابل توجهی کاهش می دهد. مفاهیم هستی شناسی  برای به حداقل رساندن تاثیر افت دقت در حین توزیع داده های مورش در بین برخی از طبقه بندی کننده های SVM به کار گرفته می شوند. نتایج تجربی (آزمایشی) نشان می دهند که تقویت مبتنی بر هسته شناسی سبب بهبود سطح دقت تکنیک SVM موازی فراتز ار تکنیک ترتیبی اصلی می شود. 


1. مقدمه


امروزه کل اکوسیستم ایمیل (پست الکترونیکی) به ابزار ارتباطی فراگیر و پیشرفته ای تبدیل شده است. محبوبیت و در دسترس بودن گسترده آن فرصتی را برای مدل های سودآور کسب و کار مبتنی بر ارسال ایمیل های متعدد یا حتی اسپم ایجاد کرده است. انتشار هرزنامه به ابعاد گسترده ای رسیده است. خسارت های ناشی از هرزنامه ها به زیرساخت های ارتباطی و همچنین مصرف کنندگان گسترده و ارائه دهندگان خدمات این امکان را می دهد تا در مسیر وی باشند. چنین تاثیری و متعاقب آن اهمیت شناسایی روش های بهتر کنترل و حذف پیامدهای آن در این نکته منعکس می شود که هرزنامه ها به طور مداوم از دیدگاه های مختلف مورد توجه قرار می گیرند.

نمونه متن انگلیسی مقاله

Abstract


Spam, under a variety of shapes and forms, continues to inflict increased damage. Varying approaches including Support Vector Machine (SVM) techniques have been proposed for spam filter training and classification. However, SVM training is a computationally intensive process. This paper presents a MapReduce based parallel SVM algorithm for scalable spam filter training. By distributing, processing and optimizing the subsets of the training data across multiple participating computer nodes, the parallel SVM reduces the training time significantly. Ontology semantics are employed to minimize the impact of accuracy degradation when distributing the training data among a number of SVM classifiers. Experimental results show that ontology based augmentation improves the accuracy level of the parallel SVM beyond the original sequential counterpart.


1. Introduction


The overall email ecosystem has become the most ubiquitous modern day communication tool. Its popularity as well as widespread availability have also created an opportunity for a lucrative business model based on unsolicited bulk email, or rather spam. The proliferation of spam has reached widespread proportions. Spam damages enabling communication infrastructures as well as lumbers consumers and service providers in its trail. Such impact and subsequently the importance to identify better ways to control and mitigate its consequences are reflected in the attention that spam continuously gets from various perspectives.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۶,۶۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

کاربرد روش SVM موازی ارتقا یافته مبتنی بر هستی شناسی در آموزش فیلترینگ
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها