ارایه یک مدل دسته بندی اسناد متنی فارسی بر مبنای ترکیب مدل های موضوعی ومدل N-Gram
- سال انتشار: 1395
- محل انتشار: نخستین کنفرانس بین المللی چالش های الکترونیکی 2016
- کد COI اختصاصی: ECICONF01_007
- زبان مقاله: فارسی
- تعداد مشاهده: 699
نویسندگان
دانشگاه آزاد اسلامی واحدزاهدان
دانشگاه آزاد اسلامی واحدزاهدان
دانشگاه آزاد اسلامی واحدزاهدان
چکیده
با توجه به افزایش روز افزون دادههای موجود در فضای اینترنت، که درصد بسیار بالایی از این دادهها به صورت متنی هستند،طراحی و پیاده سازی سیستمهایی که بتوانند انواع عملیات پردازشی را روی این دادهها با کارایی مناسب ارایه دهند از اهمیتخاصی برخوردار است. یکی از روشهای ساماندهی این حجم عظیم اسناد متنی، کلاسبندی یا دسته بندی است. کلاسبندی جزو مهمترین روشها در حوزه یادگیری ماشین و دادهکاوی است در آن با استفاده از اسناد برچسبدار مدلی بر اساسمحتوای اسناد آموزش داده میشود و متون جدید با استفاده از مدل آموزش داده شده به کلاسهای از پیشتعریف شدهانتساب داده میشود. تاکنون روشهای متعددی برای دستهبندی اسناد متنی ارایه شده که بیشتر این روشها مبتنی بر روش کولهپشتی کلمات هستند که در آن هر سند به صورت کیسهای از کلمات بیربط نشان داده می شود. نمایش فضای برداری بهکمک کوله پشتی کلمات دارای مشکلاتی است که از آن جمله میتوان به عدم لحاظ کردن ارتباط معنایی کلمات و حجم بسیار بالای فضای برداری اشاره کرد. در این پایان نامه با استفاده از مدلهای موضوعی ابعاد فضای ویژگیها به مقدار قابلتوجهی کاهش پیدا کرده است. LDA یکی از موفقترین مدلهای موضوعی است که با خوشهبندی کلمات مرتبط در یکموضوع، اسناد را به صورت توزیعی بر روی موضوعات ساخته شده نمایش میدهد. همچنین یکی دیگر از مشکلات نمایشفضای برداری که عدم در نظر گرفتن ارتباط بین کلمات متوالی است، در این پایان نامه به کمک مدل N-Gram حل شده است. در نهایت روش ترکیبی LDA و N-Gram برای نمایش اسناد و استخراج ویژگی استفاده شده است و همچنین کلاس بند SVM بر روی مجموعه ای از اسناد خبری عصر ایران اعمال شده است.کلیدواژه ها
کلاسبندی، LDA ، N-Gram ، ماشین بردار پشتیبان، پیکره خبری عصر ایرانمقالات مرتبط جدید
- طبقه بندی صفحات وب برای بهینه سازی موتورهای جستجو با استفاده از مدل ترکیبی یادگیری عمیق
- تحول دیجیتال با قراردادهای هوشمند بر پایه فناوری بلاکچین
- تحلیل و شناسایی آسیبپذیریهای ناش ی از حملات شرایط رقابتی در برنامه های وب مدرن
- مروری بر الگوریتم بهینه سازی ازدحام ذرات و کاربردها
- بهینه سازی زمانبندی و ذخیره سازی نتایج وظایف در محیطهای مه-ابر با یادگیری تقویتی
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.