ارائه یک مدل خوشه بنذی سلسله مراتبی برای کاهش خوشه های ایجاد شده در کتابخانه های دیجیتال

منابع دیجیتال بانک های اطلاعاتی هستند که شامل مجموعه قدرتمندی از اشیا دیجیتال هستند. با گروه بندی انتشارات توسط ابر داده ها همانند نویسنده، عنوان و محل انتشار کاربران می توانند از محتوای کتاب خانه های دیجیتال برای تحلیل مجزا استفاه کنند. یکی از مشکلاتی که کتابخانه های دیجیتال با آن رو به رو هستند وجود ابهامات در نتایج به دست آ»ده می باشد که در میان انواع ابهامات ابهام نام نویسنده به علت سختی ذاتی توجه بسیاری را به خود جذب کرده است. در میان روش های ارائه شده روش هایی که از تکنیک خوشه بندی سلسله مراتبی استفاده می کنند. برای این مسئله مفید و مناسب بوده اند. اما این روش های دارای معایبی می باشد که به تبع در روش های دیگر برای حل نام های مبهم نیز وجود دارد. یکی از آنها این است که در این روش ها درصد تکه تکه بودن خوشه های نهایی بالا می باشد زیرا با تعداد گام کمی، عملیات خوشبه بندی را انجام می دهد. یعنی رکوردهای نهایی از یک نویسنده در چندین خوشه قرار می گیرد و باز هم مشکل عدم تشخیص نویسنده ها در آن وجود دارد در این مقاله ما یک مدل جدید برای ابهام زئایی نام نویسنده ها ارائه کرده ایم که درصد تکه تکه بودن خوشه های نهایی را کاهش می دهد. مدل ما یک از روش خوشه بندی سلسله مراتبی می باشد که با استفاده از اطلاعات وب افزایشگ ام های حل مسئله، خوشه های خالص از نویسندگان را تولید می کند.

کلیدواژه ها:

خوشه بندی ، ابهام زدایی تام ، منابع دیجیتال