بهبود طبقه بندی مقالات در سایت های خبری آنلاین مبتنی بر رویکردهای فازی

طبق هبندی اخبار آنلاین در سایت های خبری به منظور سازماندهی محتوا و تسهیل دسترسی کاربران به مقالاتمورد علاقه شان انجام می شود. این دسته بندی ها که معمولا بر اساس موضوعات خبری مانند اقتصاد، سیاست،فرهنگ، ورزش و علم و فناوری شکل میگیرند، به کاربران کمک می کنند تا بهراحتی اطلاعات لازم را پیدا کنند.همچنین، استفاده از روشهای طبقه بندی مناسب در مقالات متنی اهمیت زیادی دارد، زیرا با ایجاددسته بندی های منطقی و معنادار، دسترسی و جستجوی سریعتر اطلاعات را در موتورهای جستجو افزایش میدهد،و در نتیجه کاربران می توانند به طور موثرتری به مقالات مورد نظر خود دسترسی پیدا کنند. در این تحقیق یکرویکرد طبقه بند اخبار آنلاین بر اساس ترکیب معیار شباهت کسینوسی فازی و شبکه های عصبی عمیق، ارائه شدهاست. روش پیشنهادی در مقایسه با روشهای قبلی که از معیارهای کلاسیک همچون TF- ،Bag of Words IDF و CHI۲ استفاده کرده اند، با استفاده از معیار شباهت کسینوسی فازی به نتایج بهتری دست یافته است. نتایج آزمایشات نشان میدهد روش پیشنهادی برای معیارهای ارزیابی شامل دقت، حساسیت، صحت و معیار F به ترتیب مقادیری برابر با ۹۰.۵، ۹۰.۵، ۹۳.۷۵ و ۹۱.۸۳ نسبت به سایر روش های طبقه بندی و روشهای پیشین در پیش بینی اخبار آنلاین جدید، بهتر عمل کرده است.

کلیدواژه ها:

سایت خبری ، طبقه بندی اخبار آنلاین ، معیار شباهت فازی ، یادگیری عمیق