دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس تاریخدانلود رایگان مقالات پژوهشی تاریخدانلود رایگان مقالات ژورنالی تاریخدانلود رایگان مقالات سال 2021دانلود رایگان مقاله ISI تاریخ به زبان انگلیسی سال 2022 و 2023سال انتشارمقالات Q1 تاریخ به زبان انگلیسیمقالات تاریخ با ایمپکت فاکتور بالا به زبان انگلیسیمقالات تاریخ با مدل مفهومی به زبان انگلیسیمقالات تاریخ دارای متغیر به زبان انگلیسی

مقاله انگلیسی رایگان در مورد استنباط در جناح های تاریخی بر اساس شبکه چند لایه شخصیت های تاریخی – الزویر ۲۰۲۱

 

مشخصات مقاله
ترجمه عنوان مقاله استنباط در جناح های تاریخی بر اساس شبکه چند لایه شخصیت های تاریخی
عنوان انگلیسی مقاله Inference on historical factions based on multi-layered network of historical figures
انتشار مقاله سال ۲۰۲۱
تعداد صفحات مقاله انگلیسی ۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۵٫۴۵۲ در سال ۲۰۲۰
شاخص H_index ۱۸۴ در سال ۲۰۲۱
شاخص SJR ۱٫۴۹۴ در سال ۲۰۲۰
شناسه ISSN ۰۹۵۷-۴۱۷۴
شاخص Quartile (چارک) Q1 در سال ۲۰۲۰
مدل مفهومی دارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط تاریخ
نوع ارائه مقاله
ژورنال
مجله  سیستم های خبره با برنامه های کاربردی – Expert Systems with Applications
دانشگاه Ajou University, Suwon, South Korea
کلمات کلیدی تجزیه و تحلیل داده های بزرگ تاریخی ، شناسایی جنبه های تاریخی ، شبکه چند لایه شخصیت های تاریخی ، یادگیری نیمه نظارت شده
کلمات کلیدی انگلیسی Historical big data analysis, Historical faction identification, Multi-layered network of historical figures, Semi-supervised learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.eswa.2020.113703
کد محصول E15357
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:

Highlights

Abstract

Keywords

۱٫ Introduction

۲٫ Background

۳٫ Proposed method

۴٫ Results and discussion

۵٫ Conclusion

CRediT authorship contribution statement

Declaration of Competing Interest

Acknowledgements

References

بخشی از متن مقاله:

Abstract

With immense influx of historical data, quantitative inferences on history based on machine learning is becoming more prevalent, attracting many researchers. In particular, understanding the dynamics of historical factions is important as they shared academic beliefs, political views and interests, in which the interactions between the factions portray general political, social, and economic structure of a certain era. In recent years, studying such dynamics through network-based methods on human networks, constructed from genealogy data, have shown promising results. In this paper, we enhance the identification of historical factions by exploiting multi-layered network of historical figures. To understand the mechanisms of historical factions, it is pivotal to comprehend the change in relation between important historical events. The proposed method consists of constructing a multi-layered network of historical figures and applying semi-supervised learning framework to identify historical factions. The proposed method was applied to the classification of factions in the political turmoil occurred during the 15th to 16th century Korea.

۱٫ Introduction

Many years of huge efforts from historians to create database for historical figures and events have led to easier access to a tremendous pile of records of the old days (Manabe, 1999, 2010; Lee, 2010, 2016; Lee, Lee, Kim, & Shin, 2018). The databases for historical data now provide convenient access to genealogy records, texts from literature, images of artifacts and so on. Following from the rapid growth in influx of historical data, many studies attempt to stretch from human-labored restricted inference to machineaided comprehensive approaches. Machine learning plays a key role in the latter approach, providing historians with data-driven inference. To give few examples, Malmi, Gionis, and Solin (2018) develops automated methods, using Naïve Bayes approaches, for inferring large-scale genealogical networks. In the domain of art history, deep convolution neural networks are often employed to classify style of fine-art collections (Bar, Levy, & Wolf, 2014; Cetinic, Lipic, & Grgic, 2018; Saleh & Elgammal, 2015). For textual data, Lansdall-Welfare et al. (2017) employs text mining techniques on 150 years of British newspapers from 1800–۱۹۵۰ to extract macroscopic trends in history and culture. In Rochat (2015), network analysis on character network from historical writing is employed. Furthermore, many visualization efforts (Liu, Dai, Wang, Zhou, & Qu, 2017; Lee, Campbell, & Chen, 2010) for historical data are carried out to aid in understanding the structure and contents of history.

From the vast domain of using machine learning for historical big data, studies on past faction politics may convey important inferences on political, social, and economic structure of a certain era. Throughout history, people who shared academic beliefs, political views and interests joined to form factions to pursue a particular aim or purpose (Belloni & Beller, 1976). Analysis on the prevalence of factions and their rivalries is crucial for understanding political decision patterns and power mechanisms of times long past. Furthermore, the political competition of factions may be viewed as competition for goods and services (Persico, Pueblita, & Silverman, 2011), which may yield important inferences in economic perspectives

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا