بهبود عملکرد سیستم های دسته بندی کننده موضوعی متون با انتخاب ویژگی های موثر مبتنی بر آتوماتای یادگیر
محل انتشار: همایش ملی رویکرد عملی به پیاده سازی مفاهیم علمی،مباحث تئوری و پژوهش های های کاربردی علوم فنی
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 974
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EMAP01_047
تاریخ نمایه سازی: 22 مهر 1394
چکیده مقاله:
با افزایش حجم اطلاعات نیاز فوق العاده به ابزارها و روش هایی است که بتوانند در جستجو، فیلتر نمودن و مدیریت منابع کمک کنند. یکی از مشکلات مربوط به دسته بندی متون، فضای خصیصه ها با ابعاد بسیار بالاست. یکی از مهمترین اهداف در دسته بندی متون، کاهش فضای خصیصه ها می باشد. تعداد زیادی روش انتخاب خصیصه وجود دارد، اما تعداد کمی از آنها برای مسائل دسته بندی متون حجیم استفاده شده است. در این مقاله یک روش رپر مبتنی بر الگوریتم بهینه سازی ازدحام ذرات (PSO) و ماشین بردار پشتیبان (SVM) ارائه شده است که برای عملکرد بهتر در انتخاب ویژگی آن را با آتوماتای یادگیر تلفیق کرده ایم. بمنظور ارزیابی کارایی، روش پیشنهادی با روش انتخاب ویژگی مبتنی بر الگوریتم ژنتیک بر روی مجموعه داده رویترز-21578 مورد مقایسه قرار گرفته است. نتایج شبیه سازی برتری الگوریتم پیشنهادی ما را نشان می دهد.
نویسندگان
مژگان رحیمی راد
دانشگاه علوم و تحقیقات خوزستان
محمدعلی مصلح
دانشگاه آزاد اسلامی واحد دزفول
امیرمسعود رحمانی
دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران