Most commonly, researchers evaluate

Most commonly, researchers evaluate clustering results by
comparison to a ground truth set of class labels for doc-
uments. This poses problems when evaluating large scale
collections containing hundreds of millions of documents.
Human assessors or rule based intelligent systems are re-
quired to label the entire collection into many thousands of
potential topics. Even if a small percentage of the collec-
tion 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 นักวิจัยประเมินผลระบบคลัสเตอร์โดยเปรียบเทียบความจริงดินตั้งคลาสป้ายชื่อสำหรับเอกสารuments นี้ส่อเค้าปัญหาเมื่อประเมินขนาดใหญ่คอลเลกชันที่ประกอบด้วยหลายร้อยล้านของเอกสารประเมินบุคคลหรือกฎตามระบบอัจฉริยะจะ re-quired ป้ายชื่อทั้งหมดไปหลายพันหัวข้อที่อาจเกิดขึ้น แม้เล็กน้อย collec-สเตรชันเป็นชื่อ วิธีไม่ assessor การเลือกระหว่างหลายพันเป็นหัวข้อในเอกสารทั่วไปคอลเลกชันเช่นการ

Results (Thai) 2:

มากที่สุดนักวิจัยประเมินผลการจัดกลุ่มโดย
การเปรียบเทียบกับความจริงพื้นดินตั้งป้ายชั้น doc-
uments นี้ poses ปัญหาเมื่อมีการประเมินขนาดใหญ่
คอลเลกชันที่มีหลายร้อยล้านของเอกสาร.
ประเมินมนุษย์หรือกฎที่ใช้ระบบอัจฉริยะจะทบทวน
quired ป้ายคอลเลกชันทั้งหมดในหลายพันคนของ
หัวข้อที่มีศักยภาพ แม้ว่าเปอร์เซ็นต์ของ collec-
การมีข้อความระบุว่าวิธีการที่ไม่ประเมินเลือกระหว่างหลาย
พันของหัวข้อที่มีศักยภาพในเอกสารที่ใช้งานทั่วไป
เช่นการเก็บรวบรวม

Results (Thai) 3:

มากที่สุด นักวิจัยประเมินผลการจัดกลุ่มโดย
เปรียบเทียบกับพื้นจริงชุดของคลาสป้ายหมอ -
uments . นี้ poses ปัญหาเมื่อประเมิน
คอลเลกชันที่มีขนาดใหญ่หลายร้อยล้าน เอกสาร หรือใช้กฎ
มนุษย์ผู้ประเมินระบบอัจฉริยะจะ re -
quired ป้ายทั้งคอลเลกชันเป็นหลายพัน
ศักยภาพหัวข้อแม้ว่าร้อยละขนาดเล็กของการรวบรวม -
tion คือป้าย ยังไงผู้ประเมินเลือกระหว่างหลายพันของหัวข้อที่มีศักยภาพใน

เก็บเอกสารทั่วไปเช่น