بازنمایی متن مبتنی بر بافت با استفاده از موضوعات پنهان برای دسته بندی مقالات علمی
Publish place: Language Studies، Vol: 15، Issue: 49
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 119
This Paper With 29 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JLRZ-15-49_002
Index date: 19 February 2024
بازنمایی متن مبتنی بر بافت با استفاده از موضوعات پنهان برای دسته بندی مقالات علمی abstract
سالانه پژوهشگران حوزه های مختلف علمی نتایج پژوهش های خود را به صورت گزارش های فنی یا مقالات علمی در مجموعه مقالات یا مجلات منتشر می کنند. گردآوری این نوع داده توسط موتورهای جستجو و کتابخانه های دیجیتال برای جستجو و دسترسی به نشریات تحقیقاتی استفاده می شود که معمولا مقالات مرتبط براساس کلیدواژه های پرسمان به جای موضوعات مقاله بازیابی می گردد. در نتیجه، دسته بندی دقیق مقالات علمی می تواند کیفیت جستجوی کاربران را هنگام جستجوی یک سند علمی در پایگاه های اطلاعاتی افزایش دهد.هدف اصلی این مقاله، ارائه یک مدل دسته بندی برای تعیین موضوع مقالات علمی است. برای این منظور، مدلی را پیشنهاد کردیم که از دانش بافتی غنی شده مقالات فارسی مبتنی بر معناشناسی توزیعی استفاده می کند. بر این اساس، شناسایی حوزه خاص هر سند و تعیین دامنه آن توسط دانش غنی برجسته، دقت دسته بندی مقالات علمی را افزایش می دهد. برای رسیدن به هدف، ما مدل های درونه یابی بافتی، اعم از ParsBERT یا XLM-RoBERTa را با موضوعات پنهان در مقالات را برای آموزش یک مدل پرسپترون چندلایه غنی می کنیم. بر اساس نتایج تجربی، عملکرد کلی ParsBERT-NMF-۱HT ۷۲/۳۷ درصد (ماکرو) و ۷۵/۲۱ درصد (میکرو) بر اساس معیار اف بود که تفاوت عملکرد این مدل در مقایسه با مدل پایه از نظر آماری معنادار (p<۰.۰۵) بود.
بازنمایی متن مبتنی بر بافت با استفاده از موضوعات پنهان برای دسته بندی مقالات علمی Keywords:
بازنمایی متن مبتنی بر بافت با استفاده از موضوعات پنهان برای دسته بندی مقالات علمی authors
مریم موسویان
دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر
مسعود قیومی
پژوهشگاه علوم انسانی و مطالعات فرهنگی