اراﺋﻪ روﺷﯽ ﺟﻬﺖ ﺧﻼﺻﻪﺳﺎزی خودکار چندسندی ﺑﺎ ﮐﻤﮏ ﺗﮑﻨﯿﮏ فاکتور گیری ﻣﺎﺗﺮﯾﺲ ﻧﺎﻣﻨﻔﯽ (NMF)

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,278

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECONFK01_019

تاریخ نمایه سازی: 16 خرداد 1394

چکیده مقاله:

با گسترش روز افزون حجم داده ها و اطلاعات، خلاصه سازی خودکار متن نیز با استقبال چشمگیر محققین روبرو شده است. در سالهای اخیر خلاصه سازی چندسندی با اقبال بیشتری مواجه بوده است. یک سیستم خلاصه سازی چندسندی استخراجی، لاصهسازی است که چندین سند به عنوان ورودی دریافت کرده و گزیدهای از جملات سناد اولیه را تولید مینماید. خلاصه خوب باید بیانگر زمینه کلی بوده و ضمن بیان دیدگاه های مختلف وجود در متن ازخوانایی و پیوستگی بالایی برخوردار باشد. در این مقاله با تمرکز به مشکلات اصلی خلاصه سازی چندسندی، یعنی پوشش کامل مطالب اصلی وعدم وجود افزونگی، روشی برای خلاصه سازی ارائه شده است. در مدل پیشنهادی، ابتدا کلمات متن استخراج شده و ماتریس کلمه-سند ساخته میشود. سپس آنها را خوشه بندی کرده و تکنیک nmf روی آن اعمال شده است. سپس جملات مهم استخراج شده و رتبه بندی میشوند. در نهایت خلاصه نهایی تولید میشود. ارزیابی سیستم پیشنهادی بر روی داده های کنفرانس DUC و با استفاده از معیار ارزیابیROUGE صورت گرفته است. نتایج این روش نسبت به میانگین 32 سیستم قدرتمند دنیا که کار خلاصه سازی را انجام دادهاند، بهبود داشته است.

کلیدواژه ها:

خلاصه سازی چندسندی LSA ، NMF خوشه بندی

نویسندگان

اعظم مسعودی کیا

دانشجوی کارشناسی ارشد نرم افزار

مهدی اسماعیلی

عضوهئیت علمی دانشگاه آزاد اسلامی واحد کاشان

سیدمحمدرضا لاجوردی

عضو هیئت علمی دانشگاه آزاد اسلامی واحد کاشان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • I1 اسماعیلی، م. 1392. "مفاهیم و تکنیک‌های داده - کاوی". ...
  • Eric, C.., K o I d a, T.G. "Ne Term ...
  • Gong, Y.. & Liu, X. "Generic text summarization using relevance ...
  • Han, J., & Kamber. M., Data Mining Concepts and Techniques, ...
  • He, Z., Chen, C., Bu, J., Wang, C, Zhang, L., ...
  • Lee, D.D., & Seung, H.S. "Learning the parts of objects ...
  • Lee, D.D., & Seung, H.S. "Algorithms for non-negative matrix factorization, ...
  • Lin, C., Hovy, E. "Automatic evaluation of summaries using n-gram ...
  • Steinberger, J.. & Kabadjov, M.A. & Poesio, M., & S ...
  • Wan, X., Yang, J. and Xiao, . "Mani fold-ranking based ...
  • Wild, S., Curry, J., & Dougherty, A. "Motivating Non- Negative ...
  • Yeh, J.Y., Ke, H.R., Yang, W.P., & Meng, I.H. "Text ...
  • Yu, H. "News summarization based on semantic similarity measure".Nint International ...
  • نمایش کامل مراجع