پیشنهادرویکردی ترکیبی برای دسته بندی اسنادمتنی بااستفاده ازKنزدیکترین همسایه پیشنهادی روی شینگل های مختلف

دراین مقاله به دسته بندی اسنادمتنی پرداخته شدها ست روش پیشنهادی به کاربردن درهم سازکمینه به همراه دسته بندK نزدیکترین همسایه روی شینگلهای مختلفی ازکلمات است تابع درهم سازکمینه معمولا برای سرعت بخشیدن درجستجوی جداول فشرده سازی داده ها و تشخیص رکوردهای تکراری درحجم زیادداده استفاده میشود امادراین مقاله برای خلاصه کردن اسناد متنی به کارگرفته شده است ازسوی دیگر موثرترین راه برای انسان ددن اسناد بصورت مجموعه است وازاین روش به منظور شناسایی اسناد باشباهت های لغوی استفاده میشود تا ازاسناد مجموعه ای ازرشته های کوتاه که درداخل آن ظاهر شده اند ساخته شود بنابراین ازاین طریق میتوان اسنادی را یافت که اشتراک هایی هرچند کوتاه کوتاهترازجمله یاحتی عبارت بایکدیگر دارند و درنتیجه تعداد زیادی عناصرمشترک درمجموعه شان خواهند داشت حتی اگر این جملات یا عبارات با ترتیب های مختلف درسند ظاهر شوند برای شناسایی این تشابهات ازرروشی ساده و رایج به نام شینگل استفاده میشود استفاده ازدرهم ساز کمینه به همراه یک دسته بند بصورت طبیعی با افت دقت همراه است اما درعین حال باعث بالا رفتن سرعت عملیات دسته بندی میشود دراین مقاله برای حل مشکل افت دقت حاصل ازدرهم ساز کمینه یک دسته بندkنزدیکترین همسایه پیشنهاد شده که درآن به جای درنظر گرفتن شباهت کسینوسی بین اسناد ازشباهت جاکارد استفاده شده است نتایج پیاده سازی نشان میدهد که دسته بندپیشنهادی kنزدکترین همسایه روی شینگلهای مختلف کلمات بازیادشدن آنها ازدقتش کاسته میشود

کلیدواژه ها:

دسته بندی اسنادمتنی ، درهم سازکمینه ، Kنزدیکترین همسایه و شینگل و تشابه جاکارد