where NcðjÞ is the set of neighbori

where NcðjÞ is the set of neighboring neurons of neuronj. Unlabeled neurons are not used in Eq. (3). If the nth element of wj exceeds a predetermined threshold sK, the corresponding keyword of that ele¬ment is labeled to neuronj. To achieve better result, the threshold is a real value near 1. We aggregate neighboring neurons to prevent noise weight value that may be caused by imperfect convergence. After the labeling process, a neuron may be labeled by several key-words which often co-occur in a set of Web pages. Thus a neuron forms a keyword cluster. The KCM autonomously clusters keywords according to their similarity of co-occurrence. Keywords tend to oc¬cur simultaneously in the same Web page will be mapped to neigh-boring neurons in the map. For example, the translated Chinese words for ‘‘neural” and ‘‘network” often occur simultaneously in a Web page. They will map to the same neuron, or neighboring neu¬rons, in the map because their corresponding elements in the en-coded document vector are both set to 1. Thus a neuron will try to learn these two keywords simultaneously. As a result, their cor¬responding elements will have good chance to have large values and been labeled on this neuron. Thus we can reveal the relation-ship between two keywords according to their corresponding neu¬rons in the KCM.
The determination of the threshold is an important issue in labeling keywords. Large threshold values should allow less key-words being labeled. These keywords, however, may be more spe¬cific in describing the theme of the underlying Web pages. Small threshold values label more keywords to a neuron but some of them may be erroneous. It is difficult to determine optimal thresh-old value. Here we devise a scheme to determine the threshold va¬lue for each neuron. Since the values of elements of the synaptic weight vector reflect the importance of the keywords that the neu¬ron recognizes, we may set the threshold value according to the norm of the weight vector. When a neuron recognizes many key-words as important, many elements of its weight vector have large values. This will result in a large norm. The threshold should also be large to prevent too many keywords being labeled on this neu

Results (Indonesian) 1:

dimana NcðjÞ adalah set tetangga neuron dari neuronj. Unlabeled neuron tidak digunakan di EQ (3). Jika elemen n wj melebihi ambang batas yang telah ditetapkan sK, kata kunci yang sesuai dari ele¬ment yang diberi label untuk neuronj. Untuk mencapai hasil yang lebih baik, ambang batas adalah nilai riil di dekat 1. Kami menggabungkan tetangga neuron untuk mencegah nilai suara berat yang mungkin disebabkan oleh konvergensi tidak sempurna. Setelah proses pelabelan, neuron diberi label dengan beberapa kata-kunci yang sering bersama terjadi pada sekumpulan halaman Web. Dengan demikian neuron membentuk sebuah cluster kata kunci. KCM secara otonom cluster kata kunci menurut mereka kesamaan Co-terjadinya. Kata kunci cenderung oc¬cur secara bersamaan di halaman Web yang sama akan dipetakan ke lingkungan-membosankan neuron dalam peta. Misalnya, kata Cina diterjemahkan untuk '' saraf"dan '' jaringan" sering terjadi secara bersamaan dalam halaman Web. Mereka akan memetakan ke neuron sama, atau tetangga neu¬rons, dalam peta karena mereka sesuai elemen dalam dokumen en-kode vektor keduanya diatur ke 1. Dengan demikian neuron akan mencoba untuk belajar ini dua kata kunci secara bersamaan. Sebagai akibatnya, unsur-unsur cor¬responding mereka akan memiliki kesempatan yang baik untuk memiliki nilai-nilai yang besar dan telah diberi label pada neuron ini. Dengan demikian kita dapat mengungkapkan kapal hubungan antara dua kata kunci menurut neu¬rons mereka sesuai di KCM.Penentuan ambang merupakan masalah penting dalam label kata kunci. Nilai-nilai besar ambang harus memungkinkan kurang-kata kunci diberi label. Kata kunci, namun mungkin lebih spe¬cific dalam menggambarkan tema halaman Web yang mendasari. Nilai-nilai kecil ambang label kata kunci ke neuron tetapi beberapa dari mereka mungkin keliru. Sulit untuk menentukan nilai thresh berusia optimal. Di sini kita merancang sebuah skema untuk menentukan va¬lue ambang batas untuk setiap neuron. Karena nilai-nilai elemen vektor sinaptik berat mencerminkan pentingnya kata kunci yang mengakui neu¬ron, kami dapat menetapkan nilai ambang sesuai dengan norma vektor berat. Ketika neuron mengakui banyak kata kunci penting, banyak elemen vektor berat yang memiliki nilai-nilai yang besar. Hal ini akan mengakibatkan norma besar. Ambang batas juga harus menjadi besar untuk mencegah terlalu banyak kata kunci yang dicap di neu ini

Results (Indonesian) 2:

mana NcðjÞ adalah himpunan tetangga neuron dari neuronj. Neuron berlabel tidak digunakan dalam Persamaan. (3). Jika elemen n dari wj melebihi ambang batas yang telah ditentukan SK, kata kunci yang sesuai dari ele¬ment yang diberi label untuk neuronj. Untuk mencapai hasil yang lebih baik, ambang batas adalah nilai riil dekat 1. Kami agregate tetangga neuron untuk mencegah nilai bobot suara yang mungkin disebabkan oleh konvergensi tidak sempurna. Setelah proses pelabelan, neuron dapat diberi label oleh beberapa kunci-kata yang sering co-terjadi pada satu set halaman Web. Jadi neuron membentuk cluster kata kunci. The KCM mandiri cluster kata kunci sesuai dengan kesamaan mereka co-terjadinya. Kata kunci cenderung oc¬cur secara bersamaan di halaman web yang sama akan dipetakan ke neuron meringkik-membosankan di peta. Misalnya, kata Cina yang diterjemahkan untuk '' saraf "dan '' jaringan" sering terjadi secara bersamaan di halaman Web. Mereka akan memetakan ke neuron yang sama, atau neu¬rons tetangga, di peta karena unsur-unsur yang sesuai mereka dalam vektor dokumen en-kode keduanya diatur ke 1. Jadi neuron akan mencoba untuk belajar dua kata kunci tersebut secara bersamaan. Akibatnya, elemen cor¬responding mereka akan memiliki kesempatan yang baik untuk memiliki nilai-nilai yang besar dan telah diberi label pada neuron ini. Dengan demikian kita dapat mengungkapkan hubungan-kapal antara dua kata kunci sesuai dengan neu¬rons sesuai mereka di KCM.
Penentuan ambang batas merupakan isu penting dalam kata kunci pelabelan. Nilai ambang batas yang besar harus memungkinkan kurang kunci-kata dicap. Kata kunci ini, bagaimanapun, mungkin lebih spe¬cific dalam menggambarkan tema dari halaman Web yang mendasari. Nilai ambang batas kecil label kata kunci yang lebih untuk neuron tetapi beberapa dari mereka mungkin salah. Sulit untuk menentukan nilai lama thresh-optimal. Di sini kita merancang skema untuk menentukan va¬lue ambang batas untuk setiap neuron. Karena nilai-nilai elemen vektor bobot sinaptik mencerminkan pentingnya kata kunci yang neu¬ron mengakui, kita dapat menetapkan nilai ambang batas sesuai dengan norma vektor bobot. Ketika neuron mengakui banyak-kata kunci penting, banyak unsur vektor berat memiliki nilai yang besar. Ini akan menghasilkan norma yang besar. Ambang batas juga harus besar untuk mencegah terlalu banyak kata kunci yang diberi label pada neu ini