استخراج کلیدواژگان پایان نامه فارسی با استفاده از ویژگی آماری و دسته بند بیز

  • سال انتشار: 1400
  • محل انتشار: دوماهنامه جستارهای زبانی، دوره: 12، شماره: 6
  • کد COI اختصاصی: JR_LRR-12-6_011
  • زبان مقاله: فارسی
  • تعداد مشاهده: 282
دانلود فایل این مقاله

نویسندگان

بهزاد حجازی

M.Sc Student of Artificial Intelligence, Islamic Azad University North Tehran Branch, Tehran, Iran

جلال الدین نصیری

Department of Computational Linguistics, Information Science Research Department, Iranian Research Institute for Information Science and Technology (IRANDOC), Tehran, Iran

چکیده

هدف اصلی استخراج کلمات کلیدی انتخاب مجموعه ای از لغات در متن است که می تواند موضوع اصلی متن را بازگو کند. استخراج کلیدواژگان در بازیابی اطلاعات، سیستم های پیشنهاددهنده متنی و دسته بندی متون، نقش مهم را ایفا می کند. در زبان فارسی باتوجه به پیچیدگی ذاتی زبان فارسی استخراج کلیدواژگان به مراتب دشوارتر شده است. در این پژوهش سعی شده است با رویکرد نوین ترکیبی آماری و یادگیری ماشین به استخراج کلیدواژگان پرداخته شود. ابتدا باتوجه به ساختار زبان فارسی پیش­پردازهای لازم برای حذف کلمات و علائم نگارشی صورت می گیرد. سپس  با استفاده از سه نوع ویژگی آماری و دسته­بند بیز سیستم به صورت خودکار الگوی کلمات کلیدی با کلمات عادی را آموزش می بیند. همچنین پس­پردازش کارا برای کم کردن کلمات مثبت کاذب در چارچوب پیشنهادی طراحی شده است. گفتنی است که مدل ساخته شده قادر به شناسایی تعداد حداکثر ۲۰ کلیدواژه در هر پایان نامه است و این کلمات با کلیدواژگان نوشته شده در هر متن مقایسه و ارزیابی می شوند. نتایج ارزیابی های متنوع نشان می­دهد روش پیشنهادی با دقت مناسبی توانسته است کلمات کلیدی نوشتارهای فارسی علمی (پایان­نامه و رساله) را استخراج کند.

کلیدواژه ها

Extraction, Bayesian Classification, statistical features, preprocessing, post-processing, استخراج کلیدواژگان, دسته بند بیز, ویژگی های آماری, پیش پردازش, پس پردازش

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.