Most commonly, researchers evaluate

Most commonly, researchers evaluate clustering results by
comparison to a ground truth set of class labels for documents. This poses problems when evaluating large scale
collections containing hundreds of millions of documents.
Human assessors or rule based intelligent systems are required to label the entire collection into many thousands of
potential topics. Even if a small percentage of the collection is labeled, how does an assessor choose between many
thousands of potential topics in a general purpose document
collection such as the

Results (Thai) 1:

บ่อย นักวิจัยประเมินผลระบบคลัสเตอร์โดยเปรียบเทียบความจริงดินชั้นป้ายชื่อสำหรับเอกสารได้ นี้ส่อเค้าปัญหาเมื่อประเมินขนาดใหญ่คอลเลกชันที่ประกอบด้วยหลายร้อยล้านของเอกสารประเมินบุคคลหรือกฎตามระบบอัจฉริยะจะต้องป้ายชื่อทั้งหมดไปหลายพันหัวข้อที่อาจเกิดขึ้น แม้ว่าป้ายเล็กเปอร์เซ็นต์ของคอลเลกชัน การไม่ assessor การเลือกระหว่างหลายพันเป็นหัวข้อในเอกสารทั่วไปคอลเลกชันเช่นการ

Results (Thai) 2:

มากที่สุดนักวิจัยประเมินผลการจัดกลุ่มโดย
การเปรียบเทียบกับความจริงพื้นดินตั้งป้ายชั้นสำหรับเอกสาร นี้ poses ปัญหาเมื่อมีการประเมินขนาดใหญ่
คอลเลกชันที่มีหลายร้อยล้านของเอกสาร.
ประเมินมนุษย์หรือกฎที่ใช้ระบบอัจฉริยะจะต้องติดป้ายคอลเลกชันทั้งหมดในหลายพันคนของ
หัวข้อที่มีศักยภาพ แม้ว่าเปอร์เซ็นต์ของคอลเลกชันมีข้อความระบุว่าวิธีการที่ไม่ประเมินเลือกระหว่างหลาย
พันของหัวข้อที่มีศักยภาพในเอกสารวัตถุประสงค์ทั่วไป
เช่นคอลเลกชัน

Results (Thai) 3:

มากที่สุด นักวิจัยประเมินผลการจัดกลุ่มโดย
เปรียบเทียบกับพื้นจริงชุดของป้ายชื่อคลาสสำหรับเอกสาร นี้ poses ปัญหาเมื่อประเมิน
คอลเลกชันที่มีขนาดใหญ่หลายร้อยล้าน เอกสาร หรือใช้กฎ
มนุษย์ผู้ประเมินระบบอัจฉริยะจะต้องป้ายคอลเลกชันทั้งหมดเป็นหลายพัน
หัวข้อที่มีศักยภาพแม้ว่า เปอร์เซ็นต์ขนาดเล็กของคอลเลกชันเป็นป้าย ยังไงผู้ประเมินเลือกระหว่างหลายพันของหัวข้อที่มีศักยภาพใน

เก็บเอกสารทั่วไปเช่น