روش جدید خوشه بندی مستندات متنی الکترونیکی فارسی به کمک واژ-هستان شناسی فارس نت

خوشه بندی یا دسته بندی بدون نظارت با انجام سازماندهی بر روی پیکره های بزرگ متنی، نقش کلیدی در پیمایش و مرور آسان انبوهی از اسناد به خصوص در موتور های جستجو دارد. معمولا استفاده از روش های متعارف افزاری و سلسله مراتبی منجر به خوشه بندی با کیفیت پایین می شود.علت این موضوع آن است که مقایسه اسناد تنها به لحاظ شباهت ظاهری کلمات داخل انها صورت می پذیرد، به طوری که به روابط کلمات توجهی نشده و تلاشی برای رفع ابهام از معانی کلمه صورت نمی گیرد.در این مقاله، زبان فارسی با توجه به رشد روز افزون مستندات الکترونیکیبه این زبان، مورد توجه قرار گرفته است. ایده اصلی یافتن توضیحات مناسب برای دانش پس زمینه و غنی سازی متن فارسی با استفاده از آن است. برای نیل به این مقصود از منبع دانش خارجی به نام واژ-هستان شناسی فارس نت استفاده شده است. همچنین برای خوشه بندی بر رهیافت فاکتورگیری نا منفی ماتریس (NMF) تاکید شده است. نتایج ارزیابی ها بر روی پیکره ی متنی همشهری، نشان از بهبود کیفیت خوشه بندی متن فارسی غنی شده (به خصوص با رابطه شمول) در مقایسه با خوشه بنی خام دارد. همچنین تاثیر این روابط در کیفیت خوشه بندی بر پایه NMF بیشتر از خوشه بندی متعارف Bisecting Kmeans بوده است.

کلیدواژه ها:

خوشه بندی متنی ، تحلیل معنایی ، واژ-هستان شناسی فارس نت ، رفع ابهام از معانی کلمه ، فاکتور گیری نا منفی ماتریس