خوشهبندی متن عمیقِ بهبودیافته با استفاده از منیفولد محلی تعبیهشده خودرمزگذار | ||
| مدل سازی در مهندسی | ||
| دوره 23، شماره 80، بهار 1404، صفحه 307-324 اصل مقاله (796.56 K) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.32399.2565 | ||
| نویسندگان | ||
| فاطمه دانشفر* 1؛ امین گلزاری اسکویی2؛ مریم درستی3؛ محمدجواد آقاجانی1 | ||
| 1دانشکده مهندسی، گروه کامپیوتر، دانشگاه کردستان، سنندج، ایران | ||
| 2دانشکده مهندسی کامپیوتر، دانشگاه تبریز، تبریز، ایران | ||
| 3دانشکده مهندسی کامپیوتر، دانشگاه خوارزمی، تهران، ایران | ||
| چکیده | ||
| خوشهبندی متن، روشی برای جداسازی اطلاعات از دادگان متنی است که میتواند متن را براساس موضوع و احساس طبقهبندی کند و اخیرا مورد توجه بسیاری قرار گرفته است. روشهای مبتنی برخوشهبندی عمیق به دلیل دقت بالا، در میان تکنیکهای خوشهبندی از اهمیت ویژهای برخوردار هستند. این روشها شامل دو جزء اصلی کاهش ابعاد و خوشهبندی میباشد. بسیاری از روشهای پیشین عمیق، از خودرمزگذار برای کاهش ابعاد استفاده کردهاند. با اینحال، آنها قادر به کاهش ابعاد بر اساس ساختارهای منیفولد نیستند و نمونههایی که شبیه یکدیگر هستند لزوماً در ابعاد پایین نیز در کنار یکدیگر قرار نمیگیرند. در این مقاله، ما یک روش خوشهبندی متن عمیق را براساس یک منیفولد محلی در لایه خودرمزگذار (DCTMA) توسعه میدهیم که از ماتریسهای شباهت متعدد برای درنظرگرفتن جهت، اندازه و معنا استفاده میکند، بهطوری که ماتریس شباهت نهایی از میانگین این ماتریسها بهدست میآید. ماتریس بهدست آمده به لایه بازنمایی پنهان در خودرمزگذار اضافه میشود. هدف اصلی DCTMA تولید بازنماییهای مشابه برای نمونههای متعلق به یک خوشه است. پس از کاهش ابعاد با دقت بالا، خوشهها با استفاده از خوشهبندی عمیق انتها به انتها شناسایی میشوند. نتایج تجربی نشان میدهد که روش پیشنهادی در مقایسه با روشهای پیشرفته فعلی در مجموعه دادههای متنی، عملکرد شگفتآوری دارد. | ||
| کلیدواژهها | ||
| خوشهبندی متن؛ خوشهبندی عمیق؛ یادگیری عمیق؛ یادگیری منیفولد؛ خودرمزگذار | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 652 تعداد دریافت فایل اصل مقاله: 532 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 722 |
| تعداد مقالات | 10,383 |
| تعداد مشاهده مقاله | 72,838,501 |
| تعداد دریافت فایل اصل مقاله | 64,535,006 |