هشام فیلی - دانشگاه تهران، دانشکده مهندسی برق و کامپیوتر
محسن غرب سرخی - دانشگاه آزاد اسلامی واحد ساوه

هدف از خوشه بندی متون تقسیم بندی مستندات به یک یا چند خوشه براساس محتویات موجود در متن آن است که از ابزارهای مهم در حوزه پردازش زبان های طبیعی به شمار می آید. خوشه بندی متون در ابزارهایی مانند موتورهای جستجو و سیستم پاسخگویی به سوالات کاربردهای فراوانی دارد. روشهای مختلفی برای خوشه بندی موضوعی متون وجود دارد که استفاده از مدل احتمالاتی بیزین یکی از متداولترین روش ها به شمار می آید. در این مقاله گزارشی از بکارگیری این روش در خوشه بندی متون فارسی ارائه می شود و سپس از ترکیب این روش با ایده نگهداری کلمات هم اورد کیفیت الگوریتم بهبود داده می شود. استفاده از این ایده بر روی 200,000 متن خبری از منابع خبرگزاری جمهوری اسلامی ایران (ایرنا ) توانسته است میزان دقت خوشه بندی در زبان فارسی را به 87 % افزایش دهد.

خوشه بندی متون، زبان فارسی، مدل بیزین، کلمات هماورد