نیکو ذوالفقار کرهرودی - گروه کامپیوتر دانشگاه شهید چمران اهواز
بیتا شادگار
علیرضا عصاره

با وجود تلاشهای تحقیقاتی بسیاری که درزمینه تطبیق خودکار آنتولوژی انجام شده است ولی هنوز مشکلات جدی دراین زمینه وجود دارد روشهای تطبیق موجود بین دقت و فراخوانی مصالحه برقرار می کنند و هریک از آنها نقاط ضعف و قوت متفاوتی دارند درنتیجه همواره انتخاب بهترین تطبیق گر برای یک کار خاص مشکل است این مقاله روشی است به نام MuLCOM برای بهبود کیفیت نتایج ارایه میشدهدک ه مبتنی بر انتخاب تطبیق گر خاصی نیست بلکه روشهای یادگیری ماشین را روی ترکیبی از تطبیق گرها اعمال می کند به عبارت دیگر دسته بندی کننده براساس خروجی حاصل از تطبیق گرهای مختلف آموزش داده می شود و سپس برای حل مسائل تطبیق جدید از آن استفاده می شود بدین ترتیب تطبیق گرهای مختلف نقاط ضعف یکدیگر را پوشش میدهند نتایج حاص لنشان میدهد که MuLCOM حتی نسبت به بهترین تطبیق گرهای مجزا کارایی بهتری دارد.

تطبیق آنتولوژی ها،وب معنایی،یادگیری ماشین،تطبیق چند لایه،روش های یادگیری دسته جمعی،دسته بندی کننده های ترکیبی