کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / یازدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

دسته‌بندی متون خبری فارسی با یادگیری فعال

نویسندگان :

مینا طباطبائی¹ سعیده ممتازی²

1- دانشگاه صنعتی امیرکبیر 2- دانشگاه صنعتی امیرکبیر

کلمات کلیدی :

دسته‌بندی، بیزین ساده، یادگیری فعال، داده برچسب‌دار

چکیده :

به دست آوردن برچسب موضوعی متون از جمله موارد مهم و پرکاربرد در متن‌کاوی است که می‌تواند کاربردهای متنوعی داشته باشد. به‌عنوان مثال در سایت‌های خبری برچسب‌گذاری خودکار می‌تواند راهنمای کاربران در دست‌یابی به اطلاعات مورد علاقه خود باشد. در مقاله حاضر به طراحی و پیاده‌سازی یک سیستم تشخیص موضوع متون خبری با استفاده از یادگیری ماشین پرداخته‌ایم. ﺩﺭ ﺑﺴﻴــﺎﺭﯼ ﺍﺯ ﻣﺴـــﺎﺋﻞ ﻳﺎﺩﮔﻴﺮﯼ ﻭﺍﻗﻌﯽ به‌دﺳﺖ ﺁﻭﺭﺩﻥ ﻧﻤﻮﻧـﻪﻫـﺎﯼ ﺑﺮﭼﺴﺐ‌ﺩﺍﺭ فرایندی زمانبر و ﺑﺴﻴﺎﺭ ﭘﺮﻫﺰﻳﻨﻪ ﻣﻲباشد. ﺩﺭ ﺍﻳﻦ مقاله ﺭﻭﺷﻲ ﺑﺮﺍﻱ ﺩﺳﺘﻪ‌ﺑﻨﺪﯼ ﻣﺘﻮﻥ ارائه ﺷﺪﻩ ﺍﺳﺖ ﮐﻪ ﺩﺭ ﺁﻥ ﺍﺑﺘﺪﺍ ﻳﮏ ﺩﺳﺘﻪ‌ﺑﻨﺪ ﺑﻴﺰﻳﻦ ﺳﺎﺩﻩ ﺍﻭﻟﻴﻪ ﺑﺎ ﺗﻌﺪﺍﺩ ﮐﻤﯽ داده ﺑﺮﭼﺴﺐ‌ﺩﺍﺭ ﺳﺎﺧﺘﻪ ﻣﯽﺷﻮﺩ، ﺳﭙﺲ ﺑـﺎ ﺍﺳـﺘﻔﺎﺩﻩ ﺍﺯ ﻳـﺎﺩﮔﻴﺮﯼ ﻓﻌﺎﻝ ﻭ ﺑﮑﺎﺭﮔﻴﺮﯼ ﺭﻭﺵ ﻧﻤﻮﻧﻪﮔﻴﺮﯼ ﺑﺮ ﺍﺳﺎﺱ ﻋﺪﻡ ﺍﻃﻤﻴﻨﺎﻥ ﺑﻪ ﺻﻮﺭﺕ هوشمندانه ﻧﻤﻮﻧﻪﻫﺎﯼ ﻣﻔﻴﺪ ﺭﺍ ﺑﺮﭼﺴﺐﮔﺬﺍﺭﯼ کرده و به داده آموزش دسته‌بند اضافه می‌کنیم. این کار به صورت چرخشی ادامه می‌یابد. ﺑﺪﻳﻦ ﺗﺮﺗﻴﺐ ﺗﻌﺪﺍﺩ ﻧﻤﻮﻧﻪهای ﺑﺮﭼﺴﺐ‌ﺩﺍﺭ ﻣﻮﺭﺩ ﻧﻴﺎﺯ برای رسیدن به دقتی قابل قبول تا حد ﺯﻳﺎﺩﯼ ﮐﺎﻫﺶ ﭘﻴﺪﺍ می‌کند. نتایج آزمایش‌ها نشان می‌دهد با به‌کارگیری روش پیشنهادی، علیرغم اینکه تعداد داده آموزش به شدت کاهش می‌یابد اما دقت دسته‌بند از ۸۱٪ به ۸۳٪ افزایش می‌یابد.