کنترل کیفیت جمع آوری طبقه بندی منابع با استفاده از ساختار طبقه بندی سلسله مراتبی

Elsevier
سال انتشار :
2016
تعداد صفحات مقاله انگلیسی :
9
نشریه :
الزویر
تعداد رفرنس ها :
28
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Crowdsourcing Quality control Hierarchical classification Human computation
کلمات کلیدی :
جمع آوری جمعیت ،کنترل کیفیت، طبقه بندی سلسله مراتبی، محاسبه انسانی
عنوان فارسی :

کنترل کیفیت جمع آوری طبقه بندی منابع با استفاده از ساختار طبقه بندی سلسله مراتبی

عنوان انگلیسی :

Quality control of crowdsourced classification using hierarchical class structures

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417416301671
آدرس DOI :
https://doi.org/10.1016/j.eswa.2016.04.009
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2016

تعداد صفحات مقاله انگلیسی : 8

نشریه : الزویر

تعداد رفرنس ها : 28

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Crowdsourcing Quality control Hierarchical classification Human computation

کلمات کلیدی : جمع آوری جمعیت ،کنترل کیفیت، طبقه بندی سلسله مراتبی، محاسبه انسانی

عنوان فارسی : کنترل کیفیت جمع آوری طبقه بندی منابع با استفاده از ساختار طبقه بندی سلسله مراتبی

عنوان انگلیسی : Quality control of crowdsourced classification using hierarchical class structures

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417416301671



چکیده انگلیسی
Crowdsourcing is an emerging approach to utilize a large pool of human workers and execute various intelligent tasks. Repeated labeling is a widely adopted quality control method in crowdsourcing. This method is based on selecting one reliable label from multiple labels collected by workers because a single label from only one worker has a wide variance of accuracy. Hierarchical classification, where each class has a hierarchical relationship, is a typical task in crowdsourcing and used to organize information in many knowledge systems. However, direct applications of existing methods designed for multi-class classification have the disadvantage of discriminating among a large number of classes. In this paper, we propose a label aggregation method for hierarchical classification tasks. Our method takes the hierarchical structure into account to handle a large number of classes and estimate worker abilities more precisely. Our method is inspired by the steps model based on item response theory, which models responses of examinees to sequentially dependent questions. We considered the hierarchical classification to be a question consisting of a sequence of sub-questions and built a worker response model for hierarchical classification. We conducted experiments using real crowdsourced hierarchical classification tasks for book classification and business classification and demonstrated the benefit of incorporating a hierarchical structure to improve the label aggregation accuracy. Our method also improves the accuracy for multi-class classification task for adult content classification with an implicit hierarchical structure among classes.

چکیده فارسی
جمع آوری جمعیت یک رویکرد در حال ظهور است که از یک ائتلاف بزرگ کارگران انسانی بهره می برد و وظایف مختلف هوشمندانه را اجرا می کند. بکاربردن مجدد یک روش کنترل کیفیت به طور گسترده در جمع آوری جمعیت است. این روش بر اساس انتخاب یک برچسب قابل اعتماد از برچسب های چندگانه جمع آوری شده توسط کارگران است، زیرا یک برچسب اختلاف زیادی تنها در دقت یک کارگر دارد. طبقه بندی سلسله مراتبی، که در آن هر کلاس دارای یک رابطه سلسله مراتبی است، یک کار معمول در جمع بندی است و برای سازماندهی اطلاعات در بسیاری از سیستم های دانش استفاده می شود. با این حال، استفاده مستقیم از روش های موجود برای طبقه بندی چند گانه ، معایب تبعیض در میان تعداد زیادی از کلاس ها است. در این مقاله، ما یک روش تجمیع برچسب برای وظایف طبقه بندی سلسله مراتبی پیشنهاد می کنیم. روش ما ساختار سلسله مراتبی را به حساب می گیرد تا تعداد زیادی از کلاس ها را اداره کند و توانایی های کارگری را دقیق تر برآورد.





مشاهده فایل pdf مقاله :