ارائه یک الگوریتم موثر و تطبیقپذیر برای خوشهبندی متون فارسی مبتنی بر الگوریتم بهینه سازی فاخته
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 661
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
CSITM02_262
Index date: 14 February 2016
ارائه یک الگوریتم موثر و تطبیقپذیر برای خوشهبندی متون فارسی مبتنی بر الگوریتم بهینه سازی فاخته abstract
خوشهبندی متون یکی از تکنولوژیهای اصلی متنکاوی و بازیابی اطلاعات است. ایده اصلی خوشهبندی اطلاعات، جداکردن نمونهها از یکدیگر و قراردادن آنها در گروههای شبیه به هم میباشد. عملکرد الگوریتمهای خوشهبندی سنتی ممکن است به دلیل ابعاد بالا و یا حجم کم دادههای متنی رضایتبخش نباشد. همچنین یکی از بزرگترین مشکلات الگوریتمهای سنتی پرکاربرد مانندKmeans حساسیت بالا به نقاط اولیه است. این مقاله یک روش جدید برای خوشهبندی متون بر اساس آمارهای پیکره متنی و الگوریتم بهینه سازی فاخته ارائه میدهد. در این روش نقاط اولیه نه تنها از طریق یادگیریهای آماری ماتریس تشابه اسنادی که به یک مجموعه تقسیمشده است, بلکه از طریق اسنادی که هنوز تقسیمبندی نشدهاند نیز انتخاب میشوند. با این روش میتوان میزان حساسیت الگوریتم خوشهبندی نسبت به مجموعه نقاط اولیه را کاهش داد. برخی از مقادیر آستانهی مورد استفاده در الگوریتم از آمار خودکار و بصورت پویا بدست آمده است. این مقاله همچنین از الگوریتم بهینهسازی فاخته جهت یافتن بهترین مقادیر آستانه استفاده کرده است. نتایج تجربی بدست آمده بر روی چندین مجموعه داده نشان میدهد که الگوریتم پیشنهادی قادر به ارتقاء کیفیت خوشهبندی متون در مقایسه با الگوریتمهای خوشهبندی سنتی میباشد. همچنین این الگوریتم در مجموعه دادههای مختلف پایدارتر میباشد.
ارائه یک الگوریتم موثر و تطبیقپذیر برای خوشهبندی متون فارسی مبتنی بر الگوریتم بهینه سازی فاخته Keywords:
ارائه یک الگوریتم موثر و تطبیقپذیر برای خوشهبندی متون فارسی مبتنی بر الگوریتم بهینه سازی فاخته authors
رضا باقری
گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی اراک، 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 :