انتخاب ویژگی با الگوریتم گرگ خاکستری جهت افزایش دقت خلاصه سازی متن بر خط

در این پست متن پایان نامه‌ای با عنوان انتخاب ویژگی با الگوریتم گرگ خاکستری جهت افزایش دقت خلاصه سازی متن بر خط قرار داده شده است. انتخاب ویژگی معمولاً برای کاهش ابعاد مجموعه داده و افزایش دقت در الگوریتم های یادگیری ماشین استفاده می‌شود. در این پایانامه انتخاب ویژگی با الگوریتم گرگ خاکستری برای کاهش ابعاد و همچنین افزایش دقت در متن کاوی با الگوریتم یادگیری ماشین KNN و همچنین روش اطلاعات متقابل MUTUAL INFORMATION در نظر گرفته شده است.

این پایانامه در ۱۳۸ صفحه در قالب Word و PDF برای علاقه مندان در حوزه متن کاوی و استخراج ویژگی‌ای موثر از دیتاست آماده شد است همچنین پاورپوینت ارائه این پایانامه با عنوان پاورپوینت انتخاب ویژگی با الگوریتم گرگ خاکستری برای متن کاوی در همین سایت قرار داده شده است. در ادامه به بررسی خلاصه وار از قسمت‌های مهم این پایان نامه پرداخته می‌شود.

چکیده داکیومنت انتخاب ویژگی با الگوریتم گرگ خاکستری

خلاصه‌سازی متن یکی از کارهای اساسی در بازیابی متون در اسناد است. یکی از راه‌کارهای اساسی در خلاصه سازی متن استفاده از تکنیک‌های متن‌کاوی است. متن کاوی یکی از زیر شاخه‌های اساسی در داده‌کاوی و یادگیری ماشین است. روش پیشنهادی از ترکیب روش‌‌های پالایش و لفافه برای انتخاب ویژگی استفاده می‌کند. در فاز پالایش انتخاب ویژگی به کمک اطلاعات متقابل و در فاز لفافه انتخاب ویژگی با الگوریتم گرگ خاکستری و الگوریتم طبقه بند k نزدیکترین همسایه صورت می‌گیرد.

از KNN برای محاسبه برازندگی عامل‌ها در GWO استفاده می‌شود. هدف از ترکیب روش‌های لفافه و فیلتر این است که به طور همزمان سرعت و دقت روش پیشنهادی برای انتخاب ویژگی بالا برود. نتایج به دست آمده نشان دادند که روش پیشنهادی کارایی خوبی داشته است و انتخاب ویژگی‌ می‌تواند کارایی نهایی مدل‌های طبقه‌بند را بهبود بخشد.

واژه های کلیدی: خلاصه سازی متن، داده کاوی، متن کاوی، الگوریتم گرگ خاکستری، روش اطلاعات متقابل، یادگیری ماشین

مقدمه داکیومنت انتخاب ویژگی با الگوریتم گرگ خاکستری

با رشد سریع تکنولوژی‌های تبادل اطلاعات، حجم زیادی از داده‌های الکترونیکی در دنیای وب و کتابخانه‌های دیجیتال تولید و جمع آوری شده است و سالانه ۳۰ درصد نیز به حجم این داده‌های الکترونیکی افزوده می‌شود. این انفجار داده‌های الکترونیکی، استخراج اطلاعات را برای کاربران بسی مشکل ساخته است.

ایده خلاصه سازی خودکار متن نیز به اواخر دهه ۱۹۵۰ میلادی معطوف می‌شود. طی این سال‌ها تلاش‌های بسیاری برای رسیدن به این هدف انجام گرفت در این راستا هم از اطلاعات سطح پایین (اطلاعات آماری) و هم از اطلاعات سطح بالای (مدل ‌های دامنه‌ای) موجود در اسناد استفاده شد، اما حاصل یک نتیجه تقریبی از خلاصه یک متن بود که با نمونه‌های انسانی فاصله مشهودی داشت. البته امروزه نیز ساخت یک سیستم خلاصه ساز توانا که خلاصه‌های بسیار خوانا تولید کرده و نتایج بسیار قانع کننده‌ای داشته باشد، فرآیند بسیار پیچیده‌ای خواهد بود.

فهرست مطالب داکیومنت انتخاب ویژگی با الگوریتم گرگ خاکستری

فصل اول: بررسی منابع

• بیان مسأله
• اهمیت و ضرورت تحقیق
• پردازش زبان طبیعی
• خلاصه سازی خودکار متن
  • اهمیت و لزوم خلاصه سازی
  • فرآیند خلاصه سازی
• انواع خلاصه
  • نوع منبع ورودی
  • خلاصه خروجی
  • هدف خلاصه سازی
• سیستم‌های خلاصه ساز را براساس سطوح مختلف پردازش متن
  • روش سطحی
  • روش معنایی
  • روش ترکیبی
• مراحل اصلى خلاصه سازى استخراجى
  • برچسب زنى کلمات
  • رویکرد مبتنى بر قواعد
  • رویکرد آمارى مبتنى بر مدل هاى مارکوف
  • رویکرد ماکزیمم آنتروپى
• سابقه تحقیق
• نوآوری تحقیق
• اهداف تحقیق
  • هدف اصلی
  • هدف فرعی
• فرضیه‌های تحقیق
• سوالات تحقیق
• روش انجام تحقیق
• تعاریف
  • خلاصه سازی متن
  • زبان طبیعی
• ساختار پایان نامه

فصل دوم: مواد و روش ها

• مقدمه
• مراحل خلاصه سازی
  • پیش پردازش متن
  • تجزیه مورفولوژی
  • رفع ابهام
  • تشخیص و حذف کلمه های بی اثر
  • ریشه یابی کلمات و یافتن کلمات کلیدی
• پردازش متن خلاصه استخراجی
  • روش سطحی
  • روش موجودیتی- معنایی
  • روش هم مکانی
• روش‌های مبتنی بر گراف
  • روش‌های زنجیره لغوی
  • سطح کلامی
  • روش ترکیبی
• خلاصه استخراجی
  • روش‌های بر پایه پردازش سطحی
  • روش‌های بر پایه کلمات و مکان
  • خلاصه ساز GistSumm
  • روش lead based
  • خلاصه ساز FarsiSum
• روش‌های موجودیتی بر پایه معنی
  • استفاده از زنجیره لغوی
• روش‌های بر پایه گراف
  • روش Text Rank
• روش‌های بر پایه هم مکانی
  • روش‌های بر پایه ساختار کلامی
  • روش‌های بر پایه آموزش یادگیری
  • ترکیب روش سطحی و معنایی
  • روش افزایش و کاهش جمله
  • روش بر پایه هستان شناسی

فصل سوم: نتایج و بحث

• مقدمه
• معرفی گرگ خاکستری
• مدل ریاضی و الگوریتم
• ماشین‌های بردار پشتیبان (SVM)
  • طبقه بندی ماشین بردار پشتیبان
    • دسته بندی خطی داده‌های دارای نویز
    • حالتی که داده‌ها به صورت خطی جدا نشوند
• مراحل انجام پایان‌نامه

فصل چهارم: روش پیشنهادی

• مقدمه
• اجزای روش پیشنهادی
  • پردازش متن
  • پیش‌پردازش
  • استخراج ویژگی
• ویژگی‌های لغوی
  • وزن‌دهی به ویژگی‌ها
• کاهش ابعاد داده‌ها
  • انتخاب ویژگی با اطلاعات متقابل
  • انتخاب ویژگی به کمک الگوریتم گرگ خاکستری
  • محاسبه برازندگی عامل‌ها
• الگوریتم طبقه‌بند نزدیک‌ترین همسایه
• مجموعه داده مورد استفاده
• نتیجه گیری
• ارزیابی روش پیشنهادی

فصل پنجم: نتیجه گیری و ارزیابی نتایج

• مقدمه
• ارزیابی روش پیشنهادی
  • تقسیم‌بندی داده‌ها
  • معیارهای ارزیابی
• نتایج به دست آمده
  • تعداد ویژگی‌های استخراج شده
  • تعداد ویژگی‌های انتخاب شده
  • نتایج بر اساس معیارهای کارایی
• مقایسه نتایج
  • مقایسه با سایر کارها
  • نتیجه گیری و پیشنهادات کارهای آتی

منابع پایان نامه انتخاب ویژگی با الگوریتم گرگ خاکستری

فلوچارت روند کلی روش پیشنهادی

نتیجه گیری پایان نامه انتخاب ویژگی با الگوریتم گرگ خاکستری

خلاصه‌سازی متن یکی از کارهای اساسی در بازیابی متون در اسناد است. یکی از راه‌کارهای اساسی در خلاصه سازی متن استفاده از تکنیک‌های متن‌کاوی است. متن کاوی یکی از زیر شاخه‌های اساسی در داده‌کاوی و یادگیری ماشین است. البته با توجه به حجم بالای داده‌ها در متن کاوی، این زمینه در زیرشاخه داده‌کاوی قرار می‌گیرد. با توجه به اینکه متن یک داده بدون ساختار است.

باید با استفاده از ابزارهای مناسب، متن را تبدیل به یک مجموعه داده‌ای با ساختار مناسب کرد. از همین رو یکی از الزامات اولیه در متن کاوی پیش پردازش متن است. پس از پیش پردازش باید ویژگی‌های مناسب متن استخراج گردد. ویژگی‌های مورد استفاده در متن، همان کلماتی هستند که در متن وجود دارند.

بر اساس موارد گفته شده، در این پژوهش سعی شده است روشی برای خلاصه سازی متن بر اساس روش‌های داده‌کاوی و متن‌کاوی ارائه گردد. بر همین اساس در روش پیشنهادی پس از دریافت داده‌ها پیش پردازش مناسب روی متن صورت گرفت. در این مرحله از نشانه‌سازی بهره برده شد. پس از اینکه نشانه‌ها در متن مشخص شدند، باید ویژگی‌های مناسب از متن استخراج گردد.

برای استخراج ویژگی از متن، در این پایان‌نامه از روش کیسه‌ی کلمات یا n-gram با حداکثر n=3 استفاده شده است. پس از اینکه ویژگی‌ها استخراج شدند با روش TF-IDF ویژگی‌ها وزن‌دهی شدند. این دو مرحله، مرحله پردازش متن بودند. خروجی این دو مرحله یک مجموعه داده حجیم با تعداد زیادی ویژگی است. در گام بعدی به کمک MI و GWO ویژگی‌های مناسب برای ساخت مدل طبقه‌بند KNN انتخاب شدند.

در نهایت مدل طبقه بندی KNN ساخته شد و معیارهای کارایی به دست آمده و مورد مقایسه قرار گرفتند.

درباره انتخاب ویژگی با الگوریتم گرگ خاکستری

داکیومنت انتخاب ویژگی با الگوریتم گرگ خاکستری جهت افزایش دقت خلاصه سازی متن بر خط در ۱۳۸ صفحه در قالب word و pdf بصورت زیپ شده قابل دانلود می‌باشد. این اثر به صورت یک داکیومنت کامل است و توسط کارشناسان پی استور بازنگری و تایید شده می‌‎باشد. این داکیومنت دارای نشان تضمین کیفیت پی استور می‌باشد.

برای دانلود اثر؛ آن را خریداری فرمایید. به محض خرید لینک دانلود در دسترس خواهد بود. در صورت بروز هرگونه مشکل با واحد فروش پی استور تماس حاصل فرمایید. لازم به ذکر است مجموعه آموزشی پی استور با طراحی، تدوین و ارائه انواع پاورپوینت‌های آماده در موضوعات متنوع و جذاب و قالب‌های آکادمیک و استاندارد در انواع تحقیقات و پژوهش‎‌ها همراه شما بزرگواران است.