جستجوي پيشرفته | کتابخانه مجازی الفبا

هدف این پژوهش ترسیم و تحلیل شبکه‌ی مفهومی و هستی‌شناسی ساختار دانش حوزه‌ی علم‌سنجی ایران و نیز مدل-سازی مفهومی دانش این حوزه به‌منظور استخراج شبکه‌ی مفهومی و یادگیری ساخت هستی‌شناسی از طریق بروندادهای علمی پژوهشگران داخلی است. روش پژوهش تحلیل‌هم‌واژگانی است. جامعه‌ی پژوهش حاضر کلیه‌ی برون‌دادهای تولید شده‌ی پژوهشگران ایرانی در قالب کتاب‌ها، مقاله‌ها، پایان‏نامه‏های تحصیلی و طرح‌های پژوهشی حوزه‌ی علم‌سنجی در داخل و خارج از ایران، اعم از چاپی و الکترونیکی به زبان فارسی و زبان‌ انگلیسی از بدو پیدایش این حوزه در سال-های1361 تا 1393 است.

یادگیری مفاهیم یکی از مباحث مهم در سیستمهای چند عامله است. تمرکز این مبحث بروی عامل هایی است که با استفاده از استقلال خود برای رشد و پیشرفت در محیط پیرامون خود، از دانش یکدیگر برای تعالی دانش خود نسبت به محیط استفاده می کنند.بدین منظور یک عامل با دریافت اطلاعات جدید از محیط و یا دیگر عامل هامی باید قادر باشد تا دانش خود را از جهان پیرامون خود بروز رسانی کند. پس به عنوان بخشی از جهان بینی و یا آنتولوژی عامل نسبت به محیط، مفاهیم نقش بسته در آنتولوژی یک عامل نیز نیازمند رشد و بروز شدن در گذر زمان است.در این رساله به تعریفی جدید از نمایش مفاهیم بر اساس مشخصه مقدار ها و مقادیر احتمالاتی آنها می پردازیم. این تعریف جدید به عامل ها اجازه می دهد تا بتوانند با دریافت حجم پایینی از اطلاعات جدید دانش خود را نسبت به مفاهیم افزایش دهند.همچنین در بخش دوم این رساله با نگاهی تازه به روند یادگیری مفاهیم در سیستم های چند عامله، تعامل و سازو کار تصمیم گیری عامل ها را برای همکاری و یا خیانت به یکدیگر به شکل یک بازی در نظر گرفتیم. در این بازی عامل ها با شناختن ارزش دانشی که از دست می دهند اقدام به محاسبه ارزش دریافتی کرده و با ساز و کاری قاعده مند اقدام به اتخاذ تصمیم می کنند. این نگاه رقابتی به سیستم های چند عامله نگرشی نزدیکتر به محیط های انسانی خواهد بود. در محیط های انسانی مانند مراکز تحقیقاتی و دانشگاه ها، اطلاعات می توانند بسیار حائز اهمیت باشد. دو عامل در چنین محیطی می باید با توجه به آنچه از دست می دهند مراقب سوء استفاده های احتمالی دیگر عامل ها از اطلاعات خود باشند. این نوع نگرش به رابطه میان عامل ها در حقیقت بازتابی از روابط انسانی خواهد بود.

وب‌معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها و بدون دخالت بشر طرح شد، ولی هم‌اکنون با چالش بزرگ تعامل آنتولوژی‌ها روبه‌رو است. این رساله درپی یافتن تناظر بین موجودیت‌های آنتولوژی، با استفاده از روش‌های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی‌های واقعی انتخاب و تولید می‌کند، و سپس از معروف‌ترین دسته‌بندی کننده‌های تحت‌نظارت، مثل ماشین بردارهای پشتیان (SVM) ، نزدیک‌ترینk همسایه (KNN)، درخت تصمیم‌گیری (DT) و روش AdaBoost برای دسته‌بندی موجودیت‌ها استفاده می‌کند. البته هر یک از دسته‌بندی‌کننده‌های مذکور با پارامترهای مناسب تنظیم می‌شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم‌ترازی تنها برمبنای اطلاعات موجود در اسناد OWL است، و نیازی به نمونه‌های آنتولوژی نیست. از SVM برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به‌طوری‌که قادر به تامین نتایج قابل‌قبول همراه با کاهش قابل‌ملاحظه‌ی هزینه‌ی محاسباتی است. نتایج حاصل از روش AdaBoost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار F است.