حسین صابری - مربی دانشگاه جامع امام حسین(ع)
محمدرضا کنگاوری - دانشیار دانشگاه علم و صنعت ایران
محمد رضا حسنی آهنگر - استاد دانشگاه جامع امام حسین(ع)

داده­های بزرگ مقیاس، متشکل از داده­های حجیم، توزیع شده، پراکنده، ناهمگون و ترکیبی از داده­های نامتجانس، بی ربط، گمراه کننده، واقعی و غیر واقعی است. بنابراین تجزیه و تحلیل، ایجاد ارزش و بهره­وری از داده­ها، همواره چالشی مهم و باز محسوب می شود. بنابراین هدف این پژوهش ارائه یک معماری ائتلافی جدید برای تولید اطلاعات با ارزش برای تصمیم­گیری از میان انبوه داده­ها است. معماری پیشنهادی که به اختصار ASMLDE  نامیده می­شود، با هدف توسعه و بهبود داده­کاوی، کاوش معنایی و تولید قواعد سودمند و با کیفیت از چهار لایه، هفت مولفه و شش عامل اصلی تشکیل می­شود. در معماری پیشنهادی برای جمعآوری و استانداردسازی پردازشهای کیفی و تفسیرهای پیچیدهتر، از مفهومسازی با فرآیند v ’s۴،  بینش از حجم و مقیاس دادهها در قالب مدل V’s۳ و درنهایت بینش کیفی مبتنی بر ضخامت دادهها استفاده شده است. این معماری با حمایت هستان­شناسی و عامل­کاوی، فضاهای بزرگ کاوش را کوچکتر و سرعت و کیفیت عملیات داده­کاوی را به دلیل بهکارگیری سامانه­های چند عاملی افزایش می­دهد. خودکار­سازی عملیات کاوش، کاهش پیچیدگی داده­­ها و فرآیندهای کسبوکار نیز از مهمترین دستاوردهای معماری پیشنهادی است. بهمنظور ارزیابی معماری پیشنهادی، مجموعه داده­ای بزرگ مقیاس از دامنه حوادث طبیعی و کلاس هستانشناسی زمین لرزه از پایگاه دانش DBpedia مورد استفاده قرار گرفته است. نتایج ارزیابی که حاصل از کاوش قواعد معنایی روی مجموعه داده­ای ذکر شده است، اثربخشی و  قابلیت­های معماری ASMLDE را در افزایش کیفیت قواعد معنایی کاوش شده متناسب با نیاز کاربر و کوچکتر کردن فضای بزرگ داده­کاوی نسبت به سایر چارچوب­ها و معماری­های مشابه نشان میدهد.

داده های بزرگ مقیاس, کاوش معنایی, هستانشناسی, معماری عاملگرا