Exploring Latent(잠재성 탐색)란 무엇입니까?
Exploring Latent 잠재성 탐색 - This study contributes eight beneficial directions as follows: (1) From a technical view, the figure of VEM’s perplexity has a screen plot, but Gibbs sampling is smooth and good; and, interestingly, the greater the number of topics, the lower the perplexity is; (2) in empirical results, the terms for primary topics are tea and tea compounds, and secondary topics are associated with terms for issues regarding tea and health; (3) this study yields five research findings with key empirical evidence that tea has a natural and important preventive impact on treating diseases, especially cancer; (4) as to any managerial implications, early preventions and treatments by greater tea consumption as a valuable healthcare activity with medicinal purposes; (5) regarding the novelty of this research, this study fills the gap in a hybrid knowledge-based objective text mining and topic modeling technique than past researchers have as regards tea and health issues that were only based on traditional content analysis methods; (6) for this study’s strengths, it achieved manpower cost reductions and relative objectivity because the objective LDA method is rarely used for topic modeling when compared to past studies; (7) for the research significance, the proposed method benefits efficient analysis from massive amounts of extant data for exploring latent information, accelerates research processes quickly, improves understanding for new hypotheses, and identifies key questions for further research; and (8) for conclusive research importance, this study offers new rationales for medical application and discovers differentiations and gaps for studying research trends. [1] The experimental results show that the ranking- and searching-based method is an effective and efficient way to select a set of spectral bands related to the foliar information about plant traits, and trait-trait combinations, which focus on exploring latent interrelations between leaf traits, are useful in furthering improve retrieval accuracy. [2] Using a probabilistic approach for exploring latent patterns in high-dimensional co-occurrence data, topic models offer researchers a flexible and open framework for soft-clustering large data sets. [3] In addition, transcriptome data will provide a theoretical basis for exploring latent virulence factors in the future. [4]이 연구는 다음과 같은 8가지 유익한 방향에 기여합니다. (1) 기술적 관점에서 VEM의 당혹도 그림에는 화면 플롯이 있지만 Gibbs 샘플링은 부드럽고 양호합니다. 흥미롭게도 주제 수가 많을수록 복잡도가 낮아집니다. (2) 실증적 결과에서 1차 주제에 대한 용어는 차 및 차 화합물이고, 2차 주제에 대한 용어는 차 및 건강에 관한 문제에 대한 용어와 연관됩니다. (3) 이 연구는 차가 질병, 특히 암 치료에 자연적이고 중요한 예방 영향을 미친다는 주요 경험적 증거와 함께 5가지 연구 결과를 산출했습니다. (4) 의학적 목적을 가진 가치 있는 건강 관리 활동으로서 더 많은 차 소비에 의한 관리상의 의미, 조기 예방 및 치료; (5) 이 연구의 참신함과 관련하여, 이 연구는 전통적인 콘텐츠 분석 방법에만 기반을 둔 차 및 건강 문제에 대해 과거 연구자들이 가지고 있던 하이브리드 지식 기반 객관적인 텍스트 마이닝 및 주제 모델링 기법의 격차를 메웁니다. (6) 본 연구의 장점으로는 기존 연구에 비해 주제 모델링에 객관적인 LDA 방법을 거의 사용하지 않기 때문에 인력 비용 절감 및 상대적 객관성을 달성했습니다. (7) 연구의 중요성에 대해 제안된 방법은 잠재 정보를 탐색하기 위해 방대한 양의 기존 데이터에서 효율적인 분석을 제공하고, 연구 프로세스를 신속하게 가속화하고, 새로운 가설에 대한 이해를 개선하고, 추가 연구를 위한 핵심 질문을 식별합니다. (8) 결정적인 연구의 중요성을 위해 이 연구는 의료 응용에 대한 새로운 근거를 제시하고 연구 동향을 연구하기 위한 차별화와 격차를 발견합니다. [1] 실험 결과는 순위 및 검색 기반 방법이 잎 형질 간의 잠재적 상호 관계를 탐색하는 데 중점을 둔 식물 형질 및 형질-형질 조합에 대한 엽면 정보와 관련된 스펙트럼 밴드 세트를 선택하는 효과적이고 효율적인 방법임을 보여줍니다. , 검색 정확도를 높이는 데 유용합니다. [2] 고차원 동시 발생 데이터에서 잠재 패턴을 탐색하기 위한 확률적 접근 방식을 사용하는 주제 모델은 연구자에게 대규모 데이터 세트를 소프트 클러스터링하기 위한 유연하고 개방된 프레임워크를 제공합니다. [3] 또한, 전사체 데이터는 미래에 잠재 독성 인자를 탐색하기 위한 이론적 기초를 제공할 것입니다. [4]