محمدرضا ستاری - دانشجوی کارشناسی ارشد رشته مهندسی فناوری اطلاعات گرایش تجارت الکترونیک، واحد یادگار امام خمینی (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران
محمدرضا جهانگیر - عضو هیات علمی گروه کامپیوتر واحد یادگار امام خمینی (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران

يكی از راه های افزايش کارايی در دسته بندی متون، استفاده ترکيبی و ادغام دسته بندها است. مدلی که در اين مقالهمعرفی شده است، يك مدل ترکيبی می باشد که بر روی ادغام خروجی های حاصل از دسته بندها عمل می کند. در پژوهشهای گذشته از روش های مختلف رياضی و برخی روش های آماری و الگوريتم های هوشمند مانند الگوريتم ژنتيك در تنظيمتعدادی از پارامترهای روش SVM استفاده شده است اما برای بهبود دسته بندی مناسب، توابع هسته مورد استفاده قرارنگرفته است. همان طور که از پژوهش های پيشين برمی آيد دو عامل تأثير زيادی در کارايی ماشين بردار پشتيبان دارد، تابعهسته مناسب و انتخاب پارامترهای مناسب برای اين تابع است. هدف از اين مقاله، کمتر شدن خطای دسته بندی در ماشينبردار پشتيبان با تعيين تابع هسته و افزايش دقت دسته بندی متون است. برای اين کار با استفاده از الگوريتم بهينه سازیازدحام ذرات (PSO) چند هدفه، بهينه ترين مقدار هسته و روش بهينه سازی ماشين بردار پشتيبان يعنی هسته چندجمله ای و روش بهينه سازی برنامه ريزی مرتبه دوم (QP) تعيين شد، که سبب می شود خطای دسته بندی SVM بهحداقل برسد و دقت افزايش يابد.داده های آموزشی استفاده شده از وب سايت روزنامه همشهری جمع آوری شده اند و در محيط رپيدماينر و متلب پيادهسازی شده است. اين روش میتواند با دقت 99.2 % عمل دسته بندی را انجام دهد. در زمينه ی انتخاب ويژگی و دسته بندی،مدل پيشنهادی دارای انعطاف پذيری خوبی می باشد.

الگوریتم ازدحام ذرات چند هدفه، ماشین بردار پشتیبان SVM، متن کاوی، دسته بندی متون