ارائه ی یک مدل جهت دسته بندی متون فارسی با استفاده از ترکیب روش های دسته بندی

برای دسته­بندی متن از تکنیک­های استخراج اطلاعات، پردازش زبان طبیعی و یادگیری ماشین به طور وسیع استفاده می شود به طور کلی هدف یک دسته بند متون، دسته­بندی اسناد در قالب تعداد معینی از دسته­های از پیش تعیین شده می­باشد. هر سند می تواند در یک، چند و یا هیچ دسته ای قرار بگیرد. در مورد هر سند به این سوال پاسخ داده خواهد شد که این سند در کدام یک از دسته­ها قرار می گیرد. این موضوع می تواند در قالب یک یادگیری خودکار قرار گیرد تا با استفاده از آن بتوان هر سند را به طور خودکار به دسته­ای نسبت داد . در این مقاله، بعد از انتخاب مجموعه داده و پاک­سازی متون  به کمک روش نرمال شده فرکانس کلمه- معکوس فرکانس سند (norm TF-IDF) به ویژگی­ها وزن داده می­شود و در طی دو مرحله ویژگی­ها با استفاده از روش­های فرکانس سند (DF) و مربع چی(SChi) انتخاب می­شوند و بعد با استفاده از روش تحلیل مولفه اصلی (PCA) ابعاد ویژگی­ها کاهش داده می­شود و در مرحله بعد با استفاده از ترکیب ۲۱ ماشین بردار پشتیبان (SVM) به پیاده سازی مدل پیشنهادی می­پردازیم و در نهایت صحت مدل را با روش اعتبار سنجی ۱۰ مرحله ای ارزیابی می­کنیم  نتایج تجربی نشان می­دهد که این مدل می­تواند عمل دسته­بندی متون را برای هفت دسته با صحت ۹۱.۸۶ انجام دهد که نسبت به کارهای پیشین انجام گرفته صحت بالاتری دارد.

Keywords:

ماشین بردار پشتیبان , دسته بندی متون , انتخاب ویژگی , تحلیل مولفه اصلی