طبقه بندی موتور های جستجو با استفاده از شبکه های عصبی مصنوعی

در این مقاله به بهینه سازی موتورهای جستجو با استفاده شبکه های عصبی مصنوعی خواهیم پرداخت. شبکه های عصبیمصنوعی یکی از قدرتمندترین روش های یادگیری ماشین و داده کاوی می باشد که در مسائل بهینه سازی، طبقه بندی وپیش بینی بسیار مورد استفاده قرار گرفته است. بهینه سازی موتورهای جستجو به عنوان یکی از مسائل بهینه سازی مطرحاست که با استفاده از یادگیری ویژگی های صفحات وب می تواند به یک مسئله طبقه بندی تبدیل شود. مسائل طبقهبندی در مورد داده های جدید به عنوان مسائل پیش بینی در نظر گرفته می شوند. بنابراین به منظور بهینه سازی نتایجموتورهای جستجو می توان از روش شبکه های عصبی مصنوعی استفاده کرد. در روش پیشنهادی مجموعه داده هایمربوط به ویژگی های صفحات وب به عنوان ورودی دریافت می شود. لایه ورودی شبکه عصبی ویژگی های مربوط بهمجموعه داده را دریافت می کند. لایه میانی وزن هر یک از ویژگی ها را به منظور بهبود نتایج جستجو تنظیم می کند.اگر دقت نتایج به دست آمده نزدیک به بهینه باشد، وزن ها به خروجی انتقال می یابد و در غیر این صورت این وزن هامجددا در لایه میانی بازگشت داده می شود تا تنظیم شود. این رند تا زمانی که نتایج بهینه به دست نیامده است و بهاصطلاح یادگیری مدل کامل نشده است،تکرار می شود. نتایج خروجی بهینه نشان دهنده وزن هر یک از ویژگی هابرای تغییر در بهینه سازی نتایج جستجو خواهد بود. شبکه عصبی بر اساس وزن ویژگی های به پیش بینی مجموعه دادهتست می پردازد. با توجه به نتایج به دست آمده، روش پیشنهادی دقتی در حدود ۹۸ % در بهینه سازی موتورجستجو داشته است.