جستجوي پيشرفته | کتابخانه مجازی الفبا

داده‌کاوی که به عنوان استخراج دانش از پایگاه داده‌ها نیز شناخته می‌شود، روالی برای استخراج دانش ناشناخته از مقدار زیادی داده است. کاوش اسناد بر اساس روش‌های داده کاوی به استخراج اطلاعات و دانش از اسناد می‌پردازد. خوشه‌بندی اسناد یکی از مهمترین روش‌های کاوش اسناد است که دسته‌بندی بدون سرپرست اسناد به گروه‌های مختلف می‌باشد.سیستم‌های رایج بازیابی اطلاعات و خوشه‌بندی اسناد بر کلمات کلیدی استوار می‌باشند. با توجه به اینکه کلمات کلیدی مختلف می‌توانند برای توصیف یک مفهوم استفاده شوند، این سیستم‌ها می‌توانند نتایج نادرست و ناقصی راایجاد نمایند. همچنین روابط معنایی ممکن است بین کلمات موجود باشد که شناسایی آنها نیاز به استخراج دانش دامنه مورد نظر دارد. مهمترین گام‌ها در خوشه‌بندی اسناد نحوه‌ی نمایش اسناد و معیار اندازه‌گیری شباهت بین آنها است.این تحقیق بر بهبود کارایی خوشه‌بندی اسناد تمرکز دارد. الگوریتم خوشه‌بندی اسناد در سه گام پیشنهاد شده است: نمایش اسناد، اندازه‌گیری شباهت بین اسناد، سیستم استنتاج فازی به منظور اندازه‌گیری شباهت نهایی بین اسناد. در نهایت پس از انجام این سه گام، با استفاده از الگوریتم خوشه‌بندی پایین به بالا خوشه‌بندی اسناد صورت می‌پذیرد. در گام اول، اسناد بر اساس دانش دامنه به صورت یک گراف آنتولوژی نمایش داده می‌شوند. این روش بر خلاف روش مبتنی بر کلمات کلیدی، بر مفاهیم دامنه استوار می‌باشد و یک سند را بر اساس مفاهیم موجود در آن، به صورت زیرگرافی از آنتولوژی دامنه نمایش می‌دهد. مفاهیم استخراج شده گره‌های گراف را تشکیل می‌دهند. برای هر گره با توجه به فرکانس مفهوم، وزن محاسبه می‌گردد. روابط موجودبین مفاهیم سند، یال‌های گراف و میزان این ارتباط اوزان یال‌ها را مشخص می‌نماید. در گام دوم برای هر سند بر اساس نمایش گرافی استخراج شده از مرحله‌ی اول، مفاهیم کلی و جزئی و یال‌های اصلی مشخص می‌گردند. شباهت بین هر جفت از اسناد در سه مقدار و بر اساس این سه عامل محاسبه می‌شود. در گام سوم سیستم استنتاج فازی با سه ورودی و یک خروجی طراحی شده است. ورودی‌ها مفاهیم کلی، مفاهیم جزئی و یال‌های اصلی می‌باشند و خروجی میزان شباهت بین دو سند است. مجموعه‌ای از قوانین فازی برای موتور استنتاج فازی در نظر گرفته شده است که بر اساس سه شباهت ورودی مقدار شباهت نهایی را تخمین می‌زند. در نهایت بر اساس ماتریس شباهت اسناد، الگوریتم خوشه‌بندی سلسله مراتبی پایین به بالا به منظور خوشه‌بندی اسناد اعمال می‌گردد. برای ارزیابی الگوریتم پیشنهادی، نتایج با نتایج حاصل از روش‌های naïve Bayes ، دو الگوریتم مبتنی بر هستان شناسی و یک الگوریتم آماری مقایسه شده است. نتایج به دست آمده نشان می‌دهند که روش پیشنهاد شده مقادیر F-measure و Accuracy را بهبود می‌دهد. همچنین مقادیر FP و Error به میزان قابل توجهی کاهش می‌یابد.

دانایی محور و عامل اصلی تاثیرگذار در پیشرفت جوامع انسانی و محصول استفاده مناسب و به هنگام از دانش است. دانش حاصل تجربیات بوده و برای آنکه به شکل مناسب تولید و استفاده شود نیازمند مدیریتی است که مدیریت دانش نام گرفته است. مدیریت دانش در یک ساختار آموزشی و پژوهشی زیر مجموعه آموزش‌عالی می‌تواند به تسریع پیشرفت آن مجموعه منجر گردد. مدیریت دانش با استفاده از یافته‌‌های علمی و فناوری‌های جدید در حوزه معماری سازمانی و هستی‌شناسی، موضوعی است که تحقیق حاضر آن را پیشنهاد می‌نماید. ارزیابی نمونه پیاده‌سازی شده حاکی از آن است که مدل‌سازی مدیریت دانش دانشگاهی مبتنی بر هستی‌شناسی به عنوان راهی جهت شناخت وضعیت موجود و طراحی سازمان مطلوب، مورد استفاده قرار -گیرد.

هستی شناسی مدلی برای نمایش یک دامنه است و برای استدلال درمورد اشیا و روابط بین آنها در همان دامنه به کار می‌رود. هستی شناسی معمولا شامل مفاهیم، روابط بین مفاهیم، نمونه‌ها و ویژگی‌های مفاهیم است. در سالیان گذشته تعداد هستی شناسی‌های موجود به شدت افزایش یافته است. وجود این سطح از تنوع، مسئله ادغام و استفاده مجدد از اطلاعات را مطرح می‌نماید. اگرچه که با بررسی دقیق‌تر هستی شناسی‌ها می‌بینیم که بسیاری از آنها با یکدیگر دارای همپوشانی هستند، اما استفاده از چهارچوب‌های کاری متفاوت، زبان‌های متنوع، و از همه مهمتر زوایای دید مختلف برای توسعه و ایجاد آنها باعث می‌شود تا کشف این شباهت‌ها و به طور کلی روابط بین مفاهیم مطرح شده در هریک از آنها ساده نباشد. آنچه به عنوان راه حل برای این مشکل مطرح می‌شود، تطابق هستی شناسی است. اصل این کار بر کشف مطابقت‌های بین مفاهیم و روابط آنها در هستی شناسی‌های مختلف و ایجاد نگاشت بین آنها استوار است. در این مطالعه استفاده از استنتاج فازی در کنار هستی شناسی سطح بالای وردنت در تطابق، امکان سنجی شده و نتایج حاکی از این است که استنتاج فازی می‌تواند به عنوان گزینه‌ای برای روش‌های تطابق در نظر گرفته شود.

نفت به عنوان ماده اصلی تأمین انرژی جهان، همواره از اهمیت‏ ویژه‏ای برخوردار بوده‌است. از این‌رو قیمت‏های آینده نفت یکی از عوامل مهمی است که سیاست‏ها و برنامه‏ریزی‏های دولت‏ها، سازمان‏های بین‏المللی و شرکت‏ها را تحت‏تأثیر قرار می‏دهد. بنابراین پیش‏بینی قیمت نفت از طریق روش‏های اقتصاد سنجی و روش‌های شبکه‌های عصبی مبتنی بر داده‌کاوی و هستی‌شناسی می‏تواند مفید و راه‌گشا باشد.گرچه پیش‏بینی قیمت نفت در بازار بین‏المللی امری مشکل است اما محققان با مدل‏سازی توانسته‏اند به نتایج قابل توجهی دست یابند. دشواری پیش‏بینی قیمت بدون در نظر گرفتن عوامل غیر بنیادی از آنجا ناشی می‏شود که پیش‌بینی این عوامل خود وابسته به پیش‏بینی عوامل بنیادی بازار نظیر تقاضا و عرضه است که به نوبه خود به عوامل دیگری از جمله رشد اقتصادی و عوامل فنی- تکنولوژیکی وابسته‏اند.شناخت بازار نفت و توانایی ارائه پیش‌بینی صحیح از وضعیت قیمت نفت یکی از چالش‌های مهم علمی در سرتاسر جهان است. خصوصاً این مسأله در کشورهایی که اقتصاد آن‌ها وابستگی بیشتری به صنعت نفت دارد (نظیر ایران) از اهمیت ویژه‌ای برخوردار است، چرا که پیش‌بینی صحیح قیمت نفت، تأثیرات مهمی در سیاست‌گذاری‌ها و برنامه‌ریزی‌های اقتصاد کلان کشور خواهد داشت.در این تحقیق از داده‌های سالانه طی دوره‌ی 1980 تا 2009 میلادی استفاده گردیده است. به‌منظور پیش‌بینی قیمت نفت، 25 سال (1980تا 2004) را به عنوان مجموعه آموزش و 5 سال (2005 تا 2009) را به‌عنوان مجموعه آزمایش در نظر گرفته‌ شده است. در این پژوهش ابتدا مناسب‌ترین مدل خودرگرسیو میانگین متحرک مطابق با سری زمانی قیمت نفت برنت و با استفاده از معیارهای آکائیک و شوارتز-بیزین شناسایی شده که نتایج نشان‌دهنده‌ی مدل (1,1)ARMA بر روی لگاریتم قیمت نفت برنت می‌باشد. در تحقیق حاضر جهت بیان دقت مدل از معیارهای خطای میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. سپس به استخراج هستی‌شناسی بازار بین‌المللی نفت پرداخته و با استفاده از داده‌کاوی (خوشه‌بندی) به تحلیل سری زمانی قیمت نفت پرداخته و عوامل موثر بر قیمت نفت شناسایی شدند. این عوامل عبارتند از: ذخایر اثبات شده نفت کشورهای OECD، تولید نفت اوپک، ظرفیت پالایشگاه‌های نفت کشورهای OECD، قیمت طلا و رشد اقتصادی کشورهای گروه7. پس از تحلیل و شناخت بیشتر از بازار نفت، هستی‌شناسی اولیه اصلاح شده و هستی‌شناسی کامل‌تر و مناسب‌تری در مورد بازار نفت بنیان نهاده شد. با توجه به معیارهای خطای بدست آمده مشخص شد که مدل‌های شبکه عصبی مصنوعی دقت بسیار بالاتری نسبت به مدل اقتصادسنجی خودرگرسیو میانگین متحرک در پیش‌بینی قیمت جهانی نفت دارند، هم‌چنین در بین مدل‌های شبکه عصبی، مدلی که از نتایج خوشه‌بندی و هستی‌شناسی اصلاح شده استفاده می‌نماید دقت بیشتری نسبتبه سایر مدل‌ها دارد.

امروزه با توجه یه کاربرد وسیع هستان شناسی ها به ساخت و توسعه آنها توجه زیادی می شود. اما به این دلیل که افراد مختلفی با درک و کلمات متفاوتی هستان شناسی ها را توسعه می دهند ممکن است دو هستان شناسی که یک دامنه را توصیف می کنند دارای ساختار و واژگان متفاوت باشند. ایجاد درک مشترک بین هستان شناسی ها موجب ایجاد سامانه های تطابقهستان شناسی ها شده است. آن چه که در توسعه سامانه های تطابق تاکنون مغفول مانده است نگاه به مبحث شناخت شناسی به عنوان اساس هستان شناسی و استفاده از مفاهیم این حوزه در تطابق هستان شناسی هاست.در این پژوهش با پرداختن به حوزه شناخت شناسی، به روشی بر مبنای هوش جمعی رهنمون می شویم و فرا سامانه ای برای تطابق هستان شناسی ها ارائه می دهیم. هم افزایی سامانه های تطابق در این روش موجب انطباق هر چه بهتر هستان شناسی ها با دقت و فراخوانی بیشتری نسبت به سایر سامانه های تطابق می شود.

بورس اوراق بهادار، نقش مهمی در چرخه مالی و رونق اقتصادی، ایفا می کند. بنابراین باید بتوان به شیوه ای کارا و موثر، عملیات و پردازش های تعریف شده را پشتیبانی کرده و به ارزیابی آنها پرداخت. ارزیابی شامل بررسی گزینه های مختلف تصمیم گیری و نیز امکان ترکیب آنها در جهت دستیابی به انتخاب بهینه می باشد.ویژگی های متعدد متغیر های موجود در این دامنه و ارتباطات متنوع میان آنها، نقش مهمی در گرفتن تصمیم های سازنده و بدور از ریسک، در این بازار بعهده دارند. در اغلب روش های ارزیابی کنونی، تحلیل ها مبتنی بر سناریو بوده و با کمک روش های مختلف از جمله هوش مصنوعی، تلاش شده است که دانش خاصی از اطلاعات موجود، استخراج گردد. اما این نتایج با تغییر اهداف، غیر قابل استفاده می شوند و همچنین اشتراک گذاری آنها نیز درگیر مشکلات معنایی می باشد.دراین تحقیق، پایگاه دانشی برای پشتیبانی از فرآیندهای بازار بورس اوراق بهادار، با تکیه بر رهیافت جدیدی بنام هستی شناسی، ارائه شده است. در این هستی شناسی پیشنهادی، بر روی استفاده مجدد از دانش و اشتراک گذاری آن تأکید شده است. تلاش شده است تا هستی شناسی پیشنهادی، توانایی پشتیبانی از کلیه تراکنش های موجود در بازار سهام را داشته باشد و با لحاظ کردن کلیه روابط میان متغیرها، علاوه بر دانش آشکار، به کشف دانش ضمنی پرداخته و کیفیت تصمیم گیری ها را ارتقا بخشد.