ارزیابی و ترکیب الگوریتم های یادگیری ماشین و تکنیک های دسته بندی متن کاوی جهت بهبود طبقه بندی متون فارسی
Publish place: The first international conference of modern research engineers in electricity and computer
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 2,490
This Paper With 11 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:
CBCONF01_0385
Index date: 6 September 2016
ارزیابی و ترکیب الگوریتم های یادگیری ماشین و تکنیک های دسته بندی متن کاوی جهت بهبود طبقه بندی متون فارسی abstract
اطلاعات باعث قدرت است و دانش قدرتمند تر. اکنون بیشتر از 80 درصد از دانش ما به صورت متن، مستندات و دیگرصورت های رسانه ای نظیر ویدیو و صدا نگهداری می شود. دسته بندی خودکار متون بطور کلی به دو بخش اصلی انتخابویژگی و الگوریتم یادگیری تقسیم می شود که در این زمینه روش های متنوعی ارائه شده است. هدف در این روش ها وتکنیک ها بالابردن دقت دسته بندی و رسیدن به کارآیی مطلوب می باشد. در این مقاله ابتدا روش های موجود برای پیشپردازش کردن، رده بندی، استخراج اطلاعات، روش های یافتن روابط شرح داده شده و سپس ارزیابی و مقایسه ای رویروش های بیان شده صورت گرفته است. در ادامه الگوریتم پیشنهادی که ترکیبی از الگوریتم ماشین بردار پیشتیبان والگوریتم بهینه سازی ازدحام ذرات می باشد ارائه گردیده است. نتایج نشان می دهد الگوریتم پیشنهادی با دقت 94.74کارآ ترین الگوریتم در روش های موجود می باشد.
ارزیابی و ترکیب الگوریتم های یادگیری ماشین و تکنیک های دسته بندی متن کاوی جهت بهبود طبقه بندی متون فارسی Keywords:
ارزیابی و ترکیب الگوریتم های یادگیری ماشین و تکنیک های دسته بندی متن کاوی جهت بهبود طبقه بندی متون فارسی authors
غزاله برون
دانشجوی کارشناسی ارشد مهندسی کامپیوتر-نرم افزار، دانشگاه آزاد اسلامی واحد یاسوج
فرهاد راد
عضو هیئت علمی دانشگاه آزاد اسلامی واحد یاسوج
حمید پروین
عضو هیئت علمی دانشگاه آزاد اسلامی واحد بهبهان
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 :