سیستم پیشنهاددهنده مقالات علمی

پیدا کردن مقالات مرتبط کار بسیار مهمی برای محققان میباشد. چنین ادبیات جستجویی شامل مسائل شناخته شدهای در کارهای موجود ا ست و رویکردهای جدیدی برای حل این مساله پیشنهاد می شود. اگرچه میزان اطلاعات نتایج علمی چاپ شده حتی برای جستجوهای آسان در حال افزایش است، محققان مشکلات بسیاری در پیدا کردن مقالات مرتبط با موضوعاتشان را دارند. در این مقاله به صورت خلاصه کارمان را بر روی سیستم پیشنهاددهنده مقالات علمی شرح میدهیم. نتایج بر روی دیتاست پیشنهاددهنده مقاله عمومی و در دسترس نشان میدهد که روش پیشنهادی به خوبی عمل میکند و نتایج از نظر آماری خوب است.با استفاده از شباهت زاویهای، شباهت تک تک مقالات با همدیگرو شباهت هر مقاله کاندیدا و هر نویسنده را با هم محاسبه میکنیم و به عنوان یک خروجی اولیه به هر نویسنده، مقالاتی پیشنهاد میدهیم. کل مقالات کاندیدا که بردار ویژگی با طول یکسانی دارند، خوشه بندی می شوند. سپس با توجه به خروجی مرحله قبل، خوشه بهترین جواب هر نویسنده به او پیشنهاد شده است. شباهت همه مقالات دیتاست با بردارویژگیهای ساخته شده هر نویسنده توسط شباهت اقلیدسی و منهتن نیز به دستآورده شده ا ست. در ضمن بعد از خوشه بندی کل لغات دیتاست خوشه بهترین جواب و همچنین خوشه دو جواب بهتر نیز به هر نویسنده پیشنهاد دادهشده است. به منظور ارزیابی روش پی شنهادی از دو روش اعتبار سنجی آماری ا ستفاده شد. سود تجمعی تخفیفی که معیاری برای کیفیت رتبه ا ست و میانگین رتبه متقابل که این معیار توانایی سیستم را در بازگرداندن آیتم مربوطه در بالاترین رتبه نشان میدهد. به علاوه دو معیار پرسیژن و ریکال نیز برای هر نتیجه محاسبه شده است.

کلیدواژه ها:

شباهت زاویه ای ، یادگیری ماشین ، سیستم پیشنهاددهنده ، استخراج کلمه کلیدی ، متن کاوی ، ، پردازش زبان طبیعی