جستجوي پيشرفته | کتابخانه مجازی الفبا

با توجه به گسترش روزافزون اطلاعات در دسترس از طریق اینترنت، لزوم استفاده از روش های خلاصه سازی خودکار متن، بیش از پیش احساس می شود. روش هایی که با استخراج مهمترین مطالب موجود در اسناد مانع از مطالعه کامل حجم انبوه از آنها شوند. خلاصه سازی عبارت است از فشرده سازی متن (متون) منبع و تولید یک نسخه کوتاه تر از آن به نحوی که محتوای اطلاعاتی آن حفظ شود. اغلب سیستم های خلاصه ساز با استفاده از روش های سطحی و معیارهای آماری به استخراج مهمترین بخش های متن منبع پرداخته و خلاصه نهایی را شکل می دهند. هدف این پژوهش استفاده از یک روش مبتنی بر پایگاه دانش در فرآیند خلاصه سازی است. در این راستا از پایگاه دانش هستی شناسی فارس نت به منظور دستیابی به مفاهیم موجود در متون و تولید خلاصه آنها استفاده خواهد شد. هستی شناسی یکی از مباحث مربوط به علم فلسفه است که یک ساختار سلسله مراتبی از همه موجودیت های عالم هستی به همراه روابط حاکم بر آنها فراهم می کند. در این پژوهش ابتدا با نگاشت متن مورد خلاصه سازی با پایگاه دانش هستی شناسی، گرافی تحت عنوان گراف موضوعی شکل می گیرد که حامل شمای مفهومی متن منبع است. سپس با استفاده از معیارهای مختلف تعیین اهمیت گرافی، اهمیت نسبی هر یک از گره های گراف ارزیابی می شود. سرانجام از این مقادیر به منظور تعیین اهمیت جملات مختلف موجود در متن منبع و ساخت خلاصه نهایی استفاده خواهد شد. نتایج حاصل از ارزیابی خلاصه های تولید شده، حاکی از برتری روش پیشنهاد شده در این پژوهش نسبت به سیستم های خلاصه ساز موجود است.

با توجه به رشد روزافزون اسناد الکترونیکی، نیاز به یک دسته بند کارا در حوزه داده کاوی واضح است. اخیراً به منظور افزایش دقت دسته بندی، استفاده از آنتولوژی لغوی به عنوان مرجع خارجی و نیز استخراج دانش از متون در فرآیند دسته بندی، مطرح شده است؛ از این رو، هدف از انجام این پروژه ارائه و پیاده سازی سیستم دسته بندی خودکار اسنادی است که آنتولوژی لغوی فارس نت را در عملیات دسته بندی داخل می نماید. این امر منجر به افزایش اوزان کلمات مرتبط با دانش پیش زمینه متن می شود. راهکار پیشنهادی برای استفاده از آنتولوژی لغوی، تمرکز بر روی بردار مشخصه ی معنایی را محور فعالیت های خود قرار داده است؛ تا بدین وسیله فرآیند دسته بندی را بهبود بخشد. در این پروژه ضمن بررسی و مطالعه ی روش های بکارگیری آنتولوژی لغوی در فرآیند دسته بندی، آنتولوژی لغوی فارس نت را به منظور استخراج روابط معنایی استفاده می نماییم.در سیستم ارائه شده، کلیه ی اجزاء تشکیل دهنده ی سیستم دسته بندی شامل پردازشگر لغوی، کاهنده ی ویژگی، انتخاب کننده ی ویژگی، وزن دهی به ویژگی و طبقه بندی کننده اسناد، لحاظ شده است. در این پروژه الگوریتم χ^2 در بخش انتخاب مشخصه و روش وزن دهی ویژگی نرمال شده TFIDF در بخش وزن دهی به کار گرفته می شود. پیش از اعمال روش وزن دهی به مشخصه ها، بردار مشخصه معنایی برای هر کلمه کلیدی توسط مفاهیم استخراج شده از آنتولوژی لغوی فارس نت، ایجاد می شود. نتایج ارزیابی های انجام شده نشان دهنده ی بهبود قابل توجهی در کارایی و دقت الگوریتم دسته بندی با بکارگیری آنتولوژی لغوی فارس نت است.

برخلاف وب، هدف اصلی وب‏معنایی قابلیت فهم ماشین از اسناد است. توسعه‏ی وب‏معنایی مستلزم توسعه ی داده‏های پیوندی است. داده‏های‏پیوندی اجزای سازنده ی وب‏معنایی هستند که در قالب مدلآر. دی. اف ، منابع‏داده‏ای مختلف وب را به هم مرتبط می کنند. با گذشت زمان تعداد این داده‏ها رو به افزایش است و این امر بازیابی و نگهداری داده‏ها را با مشکل مواجه کرده است. بنابراین نگهداری داده‏های‏پیوندی به نحوی که بازیابی اطلاعات مورد نیاز با صرف کمترین زمان و پیچیدگی انجام شود، نیاز به نگهداری بهینه ی این داده ها را توجیه می کند.معمولاً از جداول‏ رابطه‏ای بزرگ برای نگهداری داده‏های وب‏معنایی استفاده می‏شود. هدف این پژوهش شکستن این جداول رابطه‏ای به جداول کوچک‏تر به‏منظور مدیریت آسان‏تر داده‏های‏پیوندی و دسته‏بندی آن‏هاست. در روش پیشنهادی، این دسته‏بندی براساس نگاشت ساختارهای آنتولوژی مرتبط ‏با داده‏ها به پایگاه‏داده‏ی رابطه‏ای انجام می‏شود. روش‏ پیشنهادی جهت افزایش دقّت داده‏های‏پیوندی از نوعی استنتاج روی داده‏های‏پیوندی بهره می‏گیرد و سرعت بازیابی داده‏های‏پیوندی را نیز از‏ طریق انتخاب ساختارهای ذخیره‏ی مناسب و شاخص‏گذاری افزایش می‏دهد. نتایج حاصل از مقایسه‏ی روش پیشنهادی با روش‏های مطرح ذخیره‏سازی داده‏های آر. دی. اف مانند روش مستقل از الگو، روش مبتنی‏بر الگو و روش هیبرید افزایش سرعت و دقّت داده‏های بازیابی‏شده را نشان می‏دهد و با به‏کارگیری ساختارهای مناسب امکان پاسخ‏گویی به طیف وسیع‏تری از پرس‏وجوها فراهم می‏آید. به‏منظور ارزیابی نتایج از جعبه‏ی‏ اطلاعات در مجموعه‏داده‏ی دی‏بی‏پدیااستفاده شده است.

نیاز به معنا بخشیدن به محتویات وب، به‌گونه‌ای که برای ماشین‌های مختلف قابل فهم باشد، ایده اصلی ظهور وب معنایی است. اما با طراحی آنتولوژی‌ها، توسط افراد و سازمان‌های مختلف در حوزه‌های گوناگون، سطحی از ناهمگونی اطلاعات به سیستم تحمیل شده است که با تطبیق صحیح آنتولوژی‌ها می‌توان این مشکل وب‏معنایی را نیز حل کرد. با وجود تحقیقات بسیاری که در سال‌های اخیر در زمینه‌ی تطبیق خودکار آنتولوژی‌ها انجام شده، چالش بزرگ تعامل میان آنتولوژی‌ها در شرایط گوناگون همچنان به قوت خود باقی است. این پایان‌نامه در پی یافتن روش‌هایی برای افزایش کارایی سیستم‌های موجود در شرایط مختلف است. این تحقیق متشکل از دو بخش است. در پژوهش اول با استفاده از روش ترکیبی یادگیری ماشین، آدابوست، سیستم‌های موفق تطبیق با یکدیگر ترکیب می‌شوند؛ بدین ترتیب تطبیق‌گرهای مختلف نقاط ضعف یکدیگر را پوشش می‌دهند. نتایج ناشی از پژوهش افزایش دقت و کارایی این روش را نسبت به بهترین تطبیق‌گرهای مجزا نشان می‌دهد. در پژوهش دوم از دامنه‌ی گسترده‌ی اطلاعاتی ویکی‌پدیا، به‏عنوان منبع زبانی، استفاده شده است. به این صورت که سیستم با افزایش دامنه‌ی اطلاعاتی هر تطبیق‌گر در حوزه‏های گوناگون، سعی در بهبود نتایج آن دارد. در این پژوهش نیز کارایی هر سیستم نسبت به قبل افزایش یافته است.

در دنیای امروز سرعت چشم‌گیر رشد علم و دانش، همچنین تغییر شکل داده به مفاهیم در دانش و افزایش روز افزون مفاهیم و ارتباط بین آنها قابل چشم‌پوشی نیست. در نتیجه نیاز به ساختاری برای نمایش دانش ضروری است. آنتولوژی یک ساختار بنیادی برای مفهوم دانش است که به خوبی مفاهیم و ارتباط بین آنها را نشان می‌دهد. از آنجاکه مفاهیم و ارتباط بین آنها روز به روز گسترده‌تر و بیشتر می‌شوند و در گذر زمان تغییر می‌پذیرند و همچنین فراگیرتر شدن استفاده از آنتولوژی در حوزه‌های مختلف تکامل آنتولوژی تبدیل به یک مسئله مهم شده است. با توجه به اهمیت موضوع هدف این پایان‌نامه ارائه روشی برای تکامل خودکار آنتولوژی است. همچنین نظر به مزایای استفاده از پیشکارهای هوشمند، در این پایان‌نامه روشی برای تکامل خودکار آنتولوژی در محیط چندپیشکاره هوشمند ارائه است. آنتولوژی به گونه‌ای تکامل می‌یابد که قابل استفاده باشد. پیشکارهای هوشمند با استفاده از دریافت‌هایی که از محیط دارند تغییرات را احساس می‌کنند، سپس تغییرات را روی آنتولوژی اعمال می‌کنند و آنتولوژیتکامل می‌یابد. پس از ارزیابی آنتولوژی حاصل، ملاحظه می‌شود که روش پیشنهادی از دقت قابل قبولی برخوردار است.

آنتولوژی به عنوان یک روش برای از بین بردن ناهمگنی اطلاعات ارائه شده‌است. در یک حوزه ممکن است چندین آنتولوژی که از دیدگاههای متفاوت ایجاد شده‌اند، وجود داشته باشد که سبب ناهمگنی در یک حوزه خاص می‌شوند. جهت از بین بردن نا‏همگنی‏ها از فرآیند هم تراز سازییا تطابق آنتولوژی‌ها استفاده می‌شود. از آنجا که هنگام هم‌ترازسازی آنتولوژی‌ها سعی بر رفع همه انواع ناهمگنی‌های موجود بین دو آنتولوژی ورودی است پس باید روشی اتخاذ گردد تا به کمک آن بتوان نتایج هم ترازسازی انواع روشهای رفع ناهمگنی بین دو آنتولوژی ورودی را کنار هم گردآوری نمود. به مرحله گردآوری نتایج انواع روشهای ناهمگنی، مرحله جمع‌آوری شباهت‌ها گویند.در این تحقیق در ابتدا یک سیستم هم‌ترازسازی آنتولوژی‌ها با استفاده از سه روش رفع ناهمگنی بین آنتولوژی‌ها پیاده‌سازی شده است. این سیستم برای انواع زبان‌های بیان آنتولوژی‌ها یعنیOWLو RDF قابل استفاده است. در سیستم ارائه شده از سه تطابق‌یاب استفاده شده است. دو تطابق‌یاب از ویژگیهای رشته‌ای اجزای آنتولوژی‌ها استفاده می‌نمایند. یکی از این تطابق‌یاب‌ها ISUB است که از فرم رشته‌ای موجودیت‌های دو آنتولوژی استفاده می‌کند و دیگریVDOC است که قبل از آغاز فرآیند محاسبه شباهت بین رشته‌ها، ابتدا یکسری عملیات پیش پردازش از قبیل حذف حروف اضافه و ربط را انجام می‌دهد و سپس براساس روش‌های بازیابی اطلاعات، میزان شباهت دو رشته را محاسبه می‌نماید.سومین تطابق‌یاب پیاده سازی شده، GMO است که از ساختار سلسله مراتبی دو آنتولوژی ورودی جهت محاسبه میزان شباهت موجودیت‌های دو آنتولوژی بهره می‌گیرد. پس از محاسبه شباهت توسط انواع تطابق‌یاب‌های مختلف، در مرحله جمع‌آوری شباهت‌های انواع تطابق‌یاب‌ها، روشی ارائه شده است که برخلاف سایر روش‌های موجود، فرآیند جمع‌آوری شباهت‌ها را براساس هر دو آنتولوژی و برای هر جفت موجودیت دو آنتولوژی بطور جداگانه انجام می‌دهد که یک روش تطبیقی و مطلع از ساختار است.ارزیابی کار انجام شده برای بررسی روش جمع‌آوری شباهت‌های ارائه شده بوسیله‌ی آنتولوژی‌های مسابقه جهانیتطابق آنتولوژی‌ها یعنیOAEI 2009 صورت گرفته است که حاوییک سری آنتولوژی‌های استاندارد جهت مقایسه انواع سیستم‌های هم ترازسازی آنتولوژی‌ها می‌باشد. مقایسه نتایج سیستم ارائه شده با سیستم‌های جِرُمی سوئیت و نگاشت توسط جمع مورچه‌ها، بهبود دقت تشخیص هم ترازی‌های بین دو آنتولوژی توسط سیستم را نشان می‌دهد.

پیش‌نیاز وب‌معنایی که با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها بدون دخالت بشر طرح شد، وجود مقدار زیادی آنتولوژی و داده‌های حاشیه‌نویسی است. با وجود پیشرفت‌های قابل‌توجه در ابزارها و راه‌حل‌های نیمه‌خودکار، به‌میزان کافی از نیروی انسانی و هوش افراد برای ساخت آنتولوژی، حاشیه‌نویسی داده‌ها در انواع بعدها و قالب‌ها و تنظیم کردن اجزای مفهومی در آنتولوژی‌های متعدد، نیاز است. سری بازی‌های هدف‌دار برای استفاده‌ی مجانی از وقت، هوش و توانایی افراد برای نخستین بار به‌وسیله‌ی لوئیس ون آهِن (در سال 2002) ارائه شد. ایده‌ی استفاده از بازی‌های هدف‌دار در درست کردن وب‌معنایی، به‌وسیله‌ی کاترینا سیورپائس (در سال 2006) مطرح شد. سیورپائس، چند بازی‌ را برای حاشیه‌نویسی معنایی در دامنه‌های مختلف، ارائه داده است. این رساله، به‌دنبال آن است که به‌طور گسترده‌تری از بازی‌های هدف‌دار در ساخت وب‌معنایی استفاده کند؛ بنابر‌این، به‌بررسی آنتولوژی و آنتولوژی فازی، حاشیه‌نویسی داده‌ها بر‌اساس آنتولوژی‌های‌ موجود و تنظیم اجزای مفهومی در آنتولوژی‌ها می‌پردازد. با بررسی مراحل تولید آنتولوژی و آنتولوی متغیر زبانی فازی، مراحلی که انجام‌شان نیازمند نیروی انسانی بودند، شناسایی و بازی‌هایی برای انجام برخی از این مراحل، پیشنهاد می‌شود. در نهایت، یکی از بازی‌های پیشنهادی با نام واژه‌معنا (LingoGame) که برای پیدا کردن مقادیر متغیرهای زبانی است، پیاده‌سازی و نتایج حاصل از آن، بررسی می‌شود.

وب امروزی اطلاعات را به‌صورت پراکنده و بدون درنظر‌گرفتن معنایشان در وب‌سایت‌های مختلف قرار داده است. اگر شخصی بخواهد به‌دنبال کالا و یا مفهوم خاصی در وب بگردد، باید به وب‌سایت‌های مختلف مراجعه کرده و اطلاعات آن‌ها را با هم مقایسه کند. اگر بتوان اطلاعات موجود در وب در زمینه‌ای خاص را به‌صورت یکپارچه و معنادار در کنار یکدیگر قرار داد، در وقت و هزینه‌ی کاربر صرفه‌جویی می‌شود. برای انجام این کار باید ابتدا اطلاعات موجود در وب استخراج شده و سپس به‌صورت یکپارچه در کنار یکدیگر قرار گیرند. این رساله برای استخراج اطلاعات، از وب‌سرویس‌ها و برای یکپارچه‌سازی آن‌ها از وب‌معنایی استفاده کرده است. این رساله به‌طور خاص از آنتولوژی استفاده کرده و آنتولوژی کتاب را تهیه کرده است. بدین‌صورت که ابتدا یک آنتولوژی اولیه ساخته شده است. سپس اطلاعات موجود در وب در مورد کتاب از طریق وب‌سرویس‌ها استخراج شده و در قالب یک آنتولوژی ذخیره شده است. در مرحله‌ی بعد این آنتولوژی‌ها باید با یکدیگر تطبیق یابند تا یک آنتولوژی یکپارچه ساخته شود. جهت انجام این‌کار باید مشابهت‌های معنایی، رشته‌ای و ساختاری این آنتولوژی‌ها درنظرگرفته شود. این رساله برای بررسی مشابهت معنایی و رشته‌ای از اطلاعات زمینه‌ای (فرهنگ‌لغت‌هایی) مثل ویکی‌پدیا، وُردنِت، گوگل و غیره استفاده کرده و برای بررسی مشابهت ساختاری از درختِ این آنتولوژی‌ها استفاده کرده است. در نهایت، آنتولوژی یکپارچه‌ی نهایی ساخته و نمونه‌سازی می‌شود.

وب‌معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها و بدون دخالت بشر طرح شد، ولی هم‌اکنون با چالش بزرگ تعامل آنتولوژی‌ها روبه‌رو است. این رساله درپی یافتن تناظر بین موجودیت‌های آنتولوژی، با استفاده از روش‌های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی‌های واقعی انتخاب و تولید می‌کند، و سپس از معروف‌ترین دسته‌بندی کننده‌های تحت‌نظارت، مثل ماشین بردارهای پشتیان (SVM) ، نزدیک‌ترینk همسایه (KNN)، درخت تصمیم‌گیری (DT) و روش AdaBoost برای دسته‌بندی موجودیت‌ها استفاده می‌کند. البته هر یک از دسته‌بندی‌کننده‌های مذکور با پارامترهای مناسب تنظیم می‌شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم‌ترازی تنها برمبنای اطلاعات موجود در اسناد OWL است، و نیازی به نمونه‌های آنتولوژی نیست. از SVM برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به‌طوری‌که قادر به تامین نتایج قابل‌قبول همراه با کاهش قابل‌ملاحظه‌ی هزینه‌ی محاسباتی است. نتایج حاصل از روش AdaBoost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار F است.

در سال‌های اخیر، تکنیک‌های فیلتر محتوایی دانش‌محور مبتنی‌بر پایگاه دانش و آنتولوژی به‌ روش‌هایی کارا و قابل‌قبول برای فیلتر اطلاعات تبدیل شده‌اند. در این تحقیق از ساختار آنتولوژی و پایگاه‌دانش‌های ویکی‌پدیا، وردنت و BNC برای عمل فیلتر اسناد، بهبود نمایش اولویت‌های کاربری و محتوای اسناد و محاسبه شباهت معنایی استفاده می‌شود. همچنین سامان‌دهی علایق کاربری و محتوای اسناد در پروفایل‌ها امکان استخراج دانش درباره‌ی علایق احتمالی کاربران و محتوای اسناد را با استفاده از آنتولوژی و پایگاه‌دانش فراهم می‌آورد. این تحقیق روشی نوین و منحصر‌به‌فرد در ساختار ترکیب خبرگان برای فیلتر اسناد ارائه می‌کند و مجموعه‌ای از بهترین و کاراترین روش‌های فیلتر را پیاده‌سازی و با هم یکپارچه می‌کند. ارزیابی سیستم در دو مرحله ارزیابی روش‌های محاسبه شباهت معنایی و روش‌های فیلتر محتوایی با استفاده از مجموعه داده‌های میلر- چارلز و 20Newsgroup انجام می‌شود. نتایج ارزیابی، همبستگی زیاد روش‌های محاسبه‌ی شباهت معنایی میان مفاهیم را با قضاوت بشر نشان می‌دهد. روش‌ مبتنی‌بر ویکی‌پدیا با میزان همبستگی 0.779 نه‌تنها از دیگر روش‌های پیاده‌سازی شده بهتر عمل می‌کند بلکه از روش‌های مشابه و شناخته‌شده‌ای مانند CODC با میزان همبستگی 0.693 و روش ESA با میزان همبستگی 0.58 بهتر عمل می‌کند. به‌علاوه در ارزیابی روش‌های فیلتر دانش‌محور ملاحظه می‌شود که روش مبتنی‌بر آنتولوژی با نرخ صحت و کارآیی98.9 و 98 درصد و روش مبتنی‌بر ویکی‌پدیا با نرخ صحت و کارآیی98.2 و 96 درصد نتایجبهتری نسبت به دیگر روش‌های مشابه و شناخته شده مانند NB-SVM Hybrid دارند. همچنین نتایج ارزیابی روش مبتنی‌بر ساختار ترکیب خبرگانبا نرخ صحت و کارآیی 99.4 و 98.9 درصد نشان می‌دهد کهاین روش نه‌تنها از تک‌تک روش‌های پیاده‌سازی شده کارآیی و صحت بالاتری دارد، بلکه می‌تواند خطاهای عمل فیلتر را تصحیح کند. براساس این نتایج، سیستم پیاده‌سازی شده می‌تواند به‌عنوان رویکرد جدیدی در فیلتر محتوایی و به‌عنوان چارچوبی برای استفاده در کاربردهای فیلتر اطلاعات استفاده شود.