کلاستر بندی تگ ها با استفاده از Chaos Genetic Algorithm و K-Means برای پیشنهاد در سیستم های تگ گذاری
محل انتشار: همایش ملی علوم و مهندسی کامپیوتر
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 683
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCCSE01_092
تاریخ نمایه سازی: 9 بهمن 1392
چکیده مقاله:
سیستم های تگ گذاری بدلیل تسهیل در کلاستربندی و بازیابی محتوا با استفاده از تگ ها در سالهای اخیر در وب شکل گرفته اند. از طرفی تکنیک های کلاستر بندی متنوعی برای مرور در وب یا پیشنهاد در موتورهای جستجو توسعه یافته اند. در این مقاله یک تکنیک کلاستر بندی جدید، با ترکیب الگوریتم K-Means با Chaos Genetic Algorithm پیشنهاد شده است، که در آن جمعیت اولیه هر نسل GA با نگاشت آشوب و تصفیه رقابتی تولید می شود و در نهایت الگوریتم K-Means برای دسته بندی نهایی اعمال می گردد. ترکیب Chaos با الگوریتم ژنتیک کیفیت افراد در جمعیت را بهبود می بخشد و تنوع در جمعیت ایجاد می کند. در حالیکه الگوریتم های دسته بندی به تنهایی یک مجموعه کوچک را بررسی می کنند و تضمینی برای نتیجه بهینه ارائه نمی کنند، استفاده از الگوریتم ژنتیک مانند تمام الگوریتم های بهینه سازی، سبب یافتن یک راه حل بهینه در فضای جستجو می گردد و به این صورت کیفیت K-Means افزایش می یابد. نتایج تجربی با استفاده از دیتاست معتبر و تستهای نهایی نشان می دهند که تکنیک پیشنهادی به طور آماری نتایج بهتری را تولید می کند.
کلیدواژه ها:
نویسندگان
راحله محبوب فریمانی
بخش کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :