چکیده:
با افزایش حجم اطلاعات و پیشرفت در فناوری، نقص الگوریتمهای سنتی برای بازیابی سریع اطلاعات آشکارتر میشود. هنگامی که حجم زیادی از دادهها باید مدیریت شوند، استفاده از شبکه عصبی به عنوان یک تکنیک هوش مصنوعی، روش مناسبی برای افزایش سرعت بازیابی اطلاعات است. شبکههای عصبی نمایش مناسبی از دانش را در کاربردهای بازیابی ارائه میدهند. گرهها در شبکه عصبی، موارد بازیابی اطلاعات مانند کلمات کلیدی، نویسندگان و غیره را ارائه میدهند و پیوندها برای انتقال داده بین لایهها استفاده میشوند. در نهایت، این امر منجر به خروجی شبکهای میشود که یک سند بازیابی شده است. در این مقاله، استفاده از شبکه عصبی SOM برای خوشهبندی دادهها نشان داده شده است. مدلی از شبکه عصبی SOM برای یک نمونه بازیابی اطلاعات از پایگاه داده INIS پیادهسازی شده است.
خلاصه ماشینی:
در این مقاله، استفاده از شبکه عصبی SOM برای خوشهبندی دادهها نشان داده شده است.
ملاحظات خاصی برای محاسبه نقشه های بسیار بزرگ سند در نظر گرفته شده است، که اگر ابعاد هیستوگرام های دسته بندی کلمات ابتدا با یک روش نگاشت تصادفی کاهش یابد و اگر از الگوریتم های کارآمد از نظر محاسباتی در محاسبه SOM استفاده شود، با کامپیوترهای با کاربرد عمومی امکان پذیر است [7,10].
برای محاسبه وزن ها، از معادله زیر استفاده می شود [4]: (مشاهده تصویر این صفحه) در این معادله: فراوانی کلمه کلیدی در سند d، N شماره سند است و N به اسنادی اشاره دارد که شامل آن کلمه یا کلمه کلیدی (tt) هستند.
ژانویه / ژوئن، 2007 مجله ایرانی علم و فناوری اطلاعات، دوره 5، شماره 1 (مشاهده تصویر این صفحه) شکل 1 : الگوریتم یادگیری SOM.
در این تحقیق، تابع همسایگی ساده گاوسی به صورت زیر استفاده شده است: (مشاهده تصویر این صفحه) مجله ایرانی علم و فناوری اطلاعات، دوره 5، شماره 1 مقدار # با افزایش زمان یادگیری / کاهش می یابد.
ژانویه / ژوئن، 2007 مجله ایرانی علم و فناوری اطلاعات، دوره 5، شماره 1 نمودارها و داده ها (مشاهده تصویر این صفحه) شبکه SOM با نمایش سه بعدی داده ها در شکل 7 نشان داده شده است.
در این تحقیق، از داده های متنی برای آموزش شبکه استفاده شده است.
3. در روش DF (فراوانی سند)، از اطلاعات دستهبندی برای گروهبندی اسناد آموزشی استفاده میشود، به گونهای که تمام اسناد متعلق به یک دسته یکسان مجله ایرانی علم و فناوری اطلاعات، دوره 5، شماره 1 ژانویه / ژوئن، 2007 در یک گروه قرار داده می شوند.
(
, 
, 
)
