بهبود عملکرد سیستم های دسته بندی کننده موضوعی متون با انتخاب ویژگی های موثر مبتنی بر آتوماتای یادگیر

با افزایش حجم اطلاعات نیاز فوق العاده به ابزارها و روش هایی است که بتوانند در جستجو، فیلتر نمودن و مدیریت منابع کمک کنند. یکی از مشکلات مربوط به دسته بندی متون، فضای خصیصه ها با ابعاد بسیار بالاست. یکی از مهمترین اهداف در دسته بندی متون، کاهش فضای خصیصه ها می باشد. تعداد زیادی روش انتخاب خصیصه وجود دارد، اما تعداد کمی از آنها برای مسائل دسته بندی متون حجیم استفاده شده است. در این مقاله یک روش رپر مبتنی بر الگوریتم بهینه سازی ازدحام ذرات (PSO) و ماشین بردار پشتیبان (SVM) ارائه شده است که برای عملکرد بهتر در انتخاب ویژگی آن را با آتوماتای یادگیر تلفیق کرده ایم. بمنظور ارزیابی کارایی، روش پیشنهادی با روش انتخاب ویژگی مبتنی بر الگوریتم ژنتیک بر روی مجموعه داده رویترز-21578 مورد مقایسه قرار گرفته است. نتایج شبیه سازی برتری الگوریتم پیشنهادی ما را نشان می دهد.