Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos

Autores
Uribe Paredes, Roberto; Márquez, Claudio; Solar, Roberto
Año de publicación
2007
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El Sparse Spatial Selection es una nueva estructura basada en pivotes para búsqueda por similaridad en espacios métricos. Esta estructura es del tipo arreglo y ha demostrado buen rendimiento durante la búsqueda comparado con otros métodos de selección. El presente trabajo describe la construcción de una nueva estructura métrica. Ésta es una estructura de tipo árbol y nace de la aplicación recursiva Listas de Clusters usando SSS como método general para la selección de centros. Resultados experimentales demuestran que tiene mejor desempeño, en termino de evaluaciones de distancia, que la estructura Lista de Clusters original y otras estructuras conocidas.
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
Informática
DATABASE MANAGEMENT
estructura de datos
espacios métricos
Data abstraction
consultas por similaridad
Algorithms
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/23282
Acceder
id SEDICI_834623459d45aa5b6b4be4db1804c372
oai_identifier_str oai:sedici.unlp.edu.ar:10915/23282
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricosUribe Paredes, RobertoMárquez, ClaudioSolar, RobertoCiencias InformáticasInformáticaDATABASE MANAGEMENTestructura de datosespacios métricosData abstractionconsultas por similaridadAlgorithmsEl Sparse Spatial Selection es una nueva estructura basada en pivotes para búsqueda por similaridad en espacios métricos. Esta estructura es del tipo arreglo y ha demostrado buen rendimiento durante la búsqueda comparado con otros métodos de selección. El presente trabajo describe la construcción de una nueva estructura métrica. Ésta es una estructura de tipo árbol y nace de la aplicación recursiva Listas de Clusters usando SSS como método general para la selección de centros. Resultados experimentales demuestran que tiene mejor desempeño, en termino de evaluaciones de distancia, que la estructura Lista de Clusters original y otras estructuras conocidas.Red de Universidades con Carreras en Informática (RedUNCI)2007-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1724-1734http://sedici.unlp.edu.ar/handle/10915/23282spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:55:25Zoai:sedici.unlp.edu.ar:10915/23282Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:55:25.768SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
title Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
spellingShingle Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
Uribe Paredes, Roberto
Ciencias Informáticas
Informática
DATABASE MANAGEMENT
estructura de datos
espacios métricos
Data abstraction
consultas por similaridad
Algorithms
title_short Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
title_full Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
title_fullStr Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
title_full_unstemmed Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
title_sort Listas de clusters usando centros espacialmente dispersos para búsquedas por similitud en espacios métricos
dc.creator.none.fl_str_mv Uribe Paredes, Roberto
Márquez, Claudio
Solar, Roberto
author Uribe Paredes, Roberto
author_facet Uribe Paredes, Roberto
Márquez, Claudio
Solar, Roberto
author_role author
author2 Márquez, Claudio
Solar, Roberto
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Informática
DATABASE MANAGEMENT
estructura de datos
espacios métricos
Data abstraction
consultas por similaridad
Algorithms
topic Ciencias Informáticas
Informática
DATABASE MANAGEMENT
estructura de datos
espacios métricos
Data abstraction
consultas por similaridad
Algorithms
dc.description.none.fl_txt_mv El Sparse Spatial Selection es una nueva estructura basada en pivotes para búsqueda por similaridad en espacios métricos. Esta estructura es del tipo arreglo y ha demostrado buen rendimiento durante la búsqueda comparado con otros métodos de selección. El presente trabajo describe la construcción de una nueva estructura métrica. Ésta es una estructura de tipo árbol y nace de la aplicación recursiva Listas de Clusters usando SSS como método general para la selección de centros. Resultados experimentales demuestran que tiene mejor desempeño, en termino de evaluaciones de distancia, que la estructura Lista de Clusters original y otras estructuras conocidas.
Red de Universidades con Carreras en Informática (RedUNCI)
description El Sparse Spatial Selection es una nueva estructura basada en pivotes para búsqueda por similaridad en espacios métricos. Esta estructura es del tipo arreglo y ha demostrado buen rendimiento durante la búsqueda comparado con otros métodos de selección. El presente trabajo describe la construcción de una nueva estructura métrica. Ésta es una estructura de tipo árbol y nace de la aplicación recursiva Listas de Clusters usando SSS como método general para la selección de centros. Resultados experimentales demuestran que tiene mejor desempeño, en termino de evaluaciones de distancia, que la estructura Lista de Clusters original y otras estructuras conocidas.
publishDate 2007
dc.date.none.fl_str_mv 2007-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/23282
url http://sedici.unlp.edu.ar/handle/10915/23282
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
1724-1734
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615812777771008
score 13.070432

Publicaciones similares