دسته بندی متون با تکنیک های انتخاب ویژگی و یادگیری ماشین
Publish place: National Conference on Practical Approach to Implementing Scientific Concepts, Theory Topics and Applied Research in Technical Sciences
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,321
This Paper With 5 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EMAP01_048
تاریخ نمایه سازی: 22 مهر 1394
Abstract:
اسناد الکترونیکی حجم انبوهی از اطلاعات را در خود جای داده اند، اما برای متن کاوی بسیاری از آنها زائد و اضافی می باشند. از این رو لازم است بعنوان پیش پردازش، ویژگی های مناسب از بین این حجم اطلاعات استخراج شود. برای انتخاب ویژگی روش های بسیاری ارائه شده است. در اینجا ما دو الگوریتم تکاملی بهینه سازی کلونی مورچه ها و ژنتیک را برای انتخاب ویژگی متن مورد مقایسه قرارداده ایم. این الگوریتم ها بر روی مجموعه داده رویترز -21578 شبیه سازی شده اند. نتایج به دست آمده نشان دهنده برتری الگوریتم ژنتیک با استفاده از الگوریتم یادگیری Decision Tree در میانگین دقت برابر %72.35، میانگین فراخوانی برابر %48.53 ، میانگین f1 برابر با %49.54 و با استفاده از الگوریتم یادگیریKNN در میانگین دقت برابر%80.41، میانگین فراخوانی برابر%59.74 و میانگین f1 برابر با %60.33 می باشد. همچنین نمودارهای Macro-f1 و Micro-f1 برای مقایسه الگوریتم های ACO و GA رسم شده است که برتری الگوریتم GA را نشان می دهد.
Keywords:
Authors
مژگان رحیمی راد
گروه کامپیوتر، واحد علوم و تحقیقات خوزستان، دانشگاه آزاد اسلامی واحد اهواز ،ایران- گروه کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی اهواز،
محمدعلی مصلح
گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی دزفول، ایران
امیرمسعود رحمانی
گروه کامپیوتر، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :