ترجمه فارسی مقاله خوشه بندی داده ها و تجسم با الگوریتم بازگشتی Goemans-Williamson MaxCut

چکیده

In this article, we introduce a novel recursive modification to the classical Goemans-Williamson MaxCut algorithm, offering improved performance in vectorized data clustering tasks. Focusing on the clustering of medical publications, we employ recursive iterations in conjunction with a dimension relaxation method to significantly enhance density of clustering results. Furthermore, we propose a unique vectorization technique for articles, leveraging conditional probabilities for more effective clustering. Our methods provide advantages in both computational efficiency and clustering accuracy, substantiated through comprehensive experiments.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک اصلاح بازگشتی جدید را به الگوریتم کلاسیک Goemans-Williamson MaxCut معرفی می کنیم و عملکرد بهبود یافته در کارهای خوشه بندی داده های بردار را ارائه می دهیم.با تمرکز بر خوشه بندی انتشارات پزشکی ، ما از تکرارهای بازگشتی در رابطه با روش آرامش ابعاد استفاده می کنیم تا به طور قابل توجهی تراکم نتایج خوشه بندی را افزایش دهیم.علاوه بر این ، ما یک تکنیک بردار منحصر به فرد برای مقالات پیشنهاد می کنیم ، و از احتمال مشروط برای خوشه بندی مؤثرتر استفاده می کنیم.روشهای ما مزایایی را در بهره وری محاسباتی و دقت خوشه بندی ارائه می دهد ، که از طریق آزمایش های جامع اثبات می شود.