ارایه روشی برای استخراج خودکار عبارات کلیدی از اخبار وب پارسی

دادگان متنی و از آن جمله متون خبری از حوزه های مهم بازیابی اطلاعات به شمار میرود و استخراج اطلاعات از آنها ضروری است. این امر با استخراج عبارات کلیدی اسناد که دربردارنده محتوای اصلی متن است، صورت می گیرد. در این پژوهش، راهکاری سه مرحلهای جهت استخراج عبارات کلیدی از صفحات خبری وب پارسی، با ترکیب شیوه های زبانشناختی، یادگیری با ناظر، ابتکاری و تعداد نسبتا جامعی ازشیوه های آماری ارایه می شود. همچنین، یک مجموعه داده خبری و لیستی از عبارات توقفی خبری ایجاد می گردد. در پژوهش حاضر، با توجه به ویژگیهای دادگان، از دسته بند جنگل تصادفی استفاده و عملکرد خوب آن به کمک نتایج آزمایشها ثابت میشود به علاوه استفاده ازامتیاز تعلق گرفته به عبارات توسط دسته بند جهت ایجادلیستی مرتب ازعبارات برای دسته بندی به جای استفاده ازخروجی دسته بند پیشنهاد میشود نتایج نشان دهنده دقت قابل قبول سیستم ارایه شده است

Keywords:

عبارات کلیدی , استخراج عبارات کلیدی , اسناد خبری , شیوه های آماری , یادگیری با ناظر , متن کاوی , بازیابی اطلاعات