جستجوي پيشرفته | کتابخانه مجازی الفبا

اندازه گیری میزان شباهت معنایی بین مفاهیم بر اساس توصیفات آن ها در هستان شناسی ، عملیاتی بنیادی در بازیابی اطلاعات ، بازیابی مولفه ها و کشف سرویس ها محسوب می شود . در این موارد نیاز داریم که میزان شباهت یا میزان مطابقت دو توصیف یا مستند و یا میزان مطابقت چند کلمه کلیدی با محتوای یک توصیف یا مستند را تعیین نماییم . درنهایت این مسئله ، به مسئله تعیین میزان شباهت بین دو کلمه و یا دو مفهوم ، تبدیل می شود .پیش از این ، روش های متعددی برای محاسبه میزان شباهت یا فاصله معنایی بین دو مفهوم ، پیشنهاد شده اند که می توانند به دو دسته روش های پیشنهادی برای محاسبه شباهت معنایی مفاهیم در یک هستان شناسی و روش های پیشنهادی برای محاسبه شباهت معنایی مفاهیم از هستان شناسی های مختلف ، تقسیم گردند .در این گزارش ، پس از مرور زمینه های مرتبط با موضوع این تحقیق ، روش های موجود برای محاسبه فاصله یا شباهت معنایی بین مفاهیم در یک هستان شناسی ، در چندین مدل طبقه بندی می شوند . پنج مدل برای محاسبه شباهت معنایی معرفی می شوند و قابلیت آن ها به منظور محاسبه دقیق فاصله یا شباهت معنایی بین مفاهیم در مورد تطبیق معنایی سرویس ها ، مورد بحث قرار گرفته و تجزیه و تحلیل می شود . سپس با این فرض که برای توصیف رضایت بخش مفاهیم پیچیده و روابط منطقی پیچیده بین آن ها ، یک زبان هستان شناسی مبتنی بر منطق توصیفی مانند OWL ، مناسب تر می باشد ، یک الگوریتم مبتنی بر OWL DL ارائه می شود که به طور دقیق فاصله معنایی بین مفاهیم را در یک هستان شناسی بر اساس میزانی که مفاهیم در نمونه های خود اشتراک دارند ، محاسبه می کند . این الگوریتم ، جهت را برای محاسبه فاصله معنایی مورد ملاحظه قرار می دهد و بر اساس تحلیلی که در این گزارش ارائه شده ، برای استفاده شدن در مورد تطبیق معنایی سرویس ها مناسب می باشد . یک مطالعه موردی برای نشان دادن این که الگوریتم پیشنهادی چگونه فاصله معنایی بین مفاهیم را محاسبه می کند ، تشریح می شود . در نهایت ، الگوریتم پیشنهادی با بعضی دیگر از رویکردها و الگوریتم های منتشر شده ، مقایسه شده و برتری آن نسبت به الگوریتم های دیگر ، نشان داده می شود .

امروزه بیش از ?? درصد از دانش ما به صورت متن، مستندات و دیگر صورت‌های رسانه ای نظیر ویدیو و صدا نگهداری می‌شود. اگر از دید علوم کامپیوتری به این مستندات نگـاه کنیم هـمه آن‌ها به طبیعتی غیر ساخت یافته وابسته‌اند. یک فرد برای دریافت دانش از اطلاعات یک متن، باید ابتدا آن‌را درک کند و سپس آن‌را پردازش کند تا بفهمد چه معانی و مفاهیمی در آن موجود است، چه ارتباطی میان مفاهیم وجود دارد و از میان این مفاهیم کدامیک جدید و کدامیک قدیمی است. حال اگر فردی سوالی هرچند ساده داشته باشد بار دیگر باید همان روند طولانی قبلی را طی کند. سیستم‌های پرسش و پاسخ (QAS) به کمک یک مجموعه داده که در اختیار آن است (اینترنت یا داده های متنی و یا هر داده مورد نیاز) پرسش را تحلیل می‌کند و برای آن سوال مناسب‌ترین جواب را پیدا می‌کند. از اولیه‌ترین کارها پردازش سوال برای پیدا کردن پاسخ و پیدا کردن بهترین پاسخ در بین مجموعه ای پاسخ‌ها مورد نظر می‌باشد که مقالات بسیاری با الگوریتم‌های اکتشافی متفاوتی ازجمله ژنتیک و ماشین بردار پشتیبان و یا حتی روش آماری (پیشنهاد داده شده است) در این زمینه کار کرده‌اند که همه با درصد های خوبی به نتیجه مطلوب رسیده‌اند. ما سعی بر آن داریم در صورت امکان برای بهبود بیشتر پاسخ درست از الگوریتم فاخته (COA) برای دسته بندی‌های موجود در سیستم پرسش و پاسخ استفاده کنیم. الگوریتم فاخته برای دسته بندی پاسخ ها و برای استخراج بهترین پاسخ و در آنتولوژی یک کلمه که دارای چندین معنای مختلف می‌باشد، معناهای مختلف را از WordNet استخراج و انتخاب معنای درست در حوزه خاص از الگوریتم‌های بهینه سازی فاخته بهره ببریم.

یکی از اهداف وب معنایی آن است که داده و دانش به صورت قابل فهم‌تر در اختیار ماشین قرار بگیرد تا موجب تسهیل در به اشتراک گذاری اطلاعات و مجتمع سازی داده‌هاشود. قدم آغازین در رسیدن به این نگاه، نمایش مفاهیم و اصطلاحات دامنه‌های مختلف در قالب انتولوژی‌ها می‌باشد با این وجود، حتی در یک دامنه وجود انتولوژی‌های متفاوت قابل اجتناب نبوده و در نتیجه هم‌تراز سازی انتولوژی‌ها یعنی یافتن انطباق‌ها میان دو انتولوژی ضروری می‌باشد. در سال‌های اخیر سیستم‌های هم‌تراز سازی زیادی ارائه شده‌اند. اغلب روش‌های هم‌تراز سازی موجود تنها قادر به یافتن انطباق‌های یک به یک می‌باشند. حال اگر برای یک مفهوم در انتولوژی اول نظیر مستقیمی در انتولوژی دوم یافت نشود، این روش‌ها قادر به یافتن انطباق پیچیده نخواهند بود. در حالت خاص این مسئله، اگر برای بیان یک مفهوم در یک طرف از الگوی لغوی-املایی و در انتولوژی دوم برای مدل کردن همان مفهوم از الگوی منطقی استفاده شده باشد، برای هم‌تراز سازی نیاز به یافتن نوع خاصی از انطباق‌های پیچیده می‌باشد.در این پژوهش یک روش برای یافتن انطباق‌های پیچیده ارائه شده است. این انطباق‌هادر یک طرف شامل یک نام به صورت مضاف-مضاف‌الیه بوده و در طرف دیگر شامل توصیفی پیچیده و مرکب برای بیان مفهوم معادل می‌باشد. دلیل توجه به عبارات مضاف-مضاف‌الیه کاربرد بالای آن‌ها در نام‌گذاری مفاهیم انتولوژی می‌باشد. در روش پیشنهادی ، ابتدا رابطه معنایی میان مضاف-مضاف‌الیه استخراج شده و با استفاده از آن یک سری انطباق‌های اولیه به عنوان فرضیه تولید می‌گردد. هسته اساسی در تولید این فرضیه‌ها کتابخانه‌ای از الگوها و یک روش جستجوی لغوی می‌باشد. با اعمال یک روش استدلالی خاص تمامی فرضیه‌های تولیدی برای افزایش کیفیت پالایش می‌شوند. از یک هیورستیک و نتایج به دست آمده از استدلال، برای تصحیح الگوریتم جستجوی لغوی و کلاسه‌بندی روابط معنایی استفاده شده است. در پایان، روش پیشنهادی در قالب نرم افزار هم‌تراز سازی OCEANING پیاده سازی شده و کارایی روش پیشنهادی در هم‌تراز سازی دو انتولوژی مطرح، بزرگ و سطح بالای سومو و اومبلنشان داده شده است.

امروزه، به اشتراک گذاری داده‌های مکانی میان سازمان‌های مختلف به عنوان یک فاکتور اساسی در توسعه پایدار مورد توجه قرار گرفته است. افزایش حجم داده‌های رقومی و سهولت دسترسی به آنها از طریق وب، بازخوانی، تلفیق و به اشتراک‌گذاری آنها را با مشکل مواجه نموده است. فراهم‌کنندگان داده‌های مکانی از جوامع اطلاعاتی مختلف و با درک متفاوت از جهان پیرامون می‌باشند. بنابراین، این داده‌ها اصولاً ناهمگون بوده و در منابع داده مختلفی توزیع یافته‌اند. از آنجایی که اخذ داده‌های مکانی بسیار پرهزینه می‌باشد، توسعه مکانیسم‌هایی برای استفاده مجدد و به اشتراک گذاری اطلاعات مکانی به منظور کاهش این هزینه‌ها ضروری می‌باشد. همچنین مشتری‌مداری و شخصی‌سازی منابع داده از اهمیت ویژه‌ای در استفاده چندمنظوره و انعطاف‌پذیر از داده‌ها و مهیا نمودن داده‌های مرتبط با نیاز کاربران برخوردار است.همانندی یکی از ساخت های اصلی در نحوه سازماندهی و پردازش اطلاعات توسط انسان می‌باشد. سیستم‌های بازخوانی، از سنجش همانندی به منظور تعیین میزان مرتبط بودن استفاده می‌کنند. تنها یک سیستم بازخوانی که نتایج سازگار با نحوه سنجش همانندی در انسان ارائه می‌نماید، قادر خواهد بود به طور موفق کاربران را پشتیبانی نماید. داده‌های مکانی عارضه‌های مکانی در دنیای واقعی را با استفاده از گستردگی مکانی و موقعیت آنها توصیف می‌نمایند. بدین منظور استفاده از خصیصه‌ها به منظور اخذ معانی نهان در داده‌های مکانی ضروری می‌باشد، زیرا می‌توانند جنبه‌های کیفی مکانی نظیر شکل را توصیف نمایند. روابط مکانی نیز نقش اساسی در توصیف معنایی ایفا می‌نمایند؛ تمامی عارضه‌های مکانی دارای یک موقعیت بر روی زمین بوده و بنابراین هر زوج عارضه مکانی دارای یک رابطه مکانی نسبت به یکدیگر می‌باشند. این روابط مکانی می‌توانند در سطح کلاس جنرالیزه گردند: به عنوان مثال به دلیل وابستگی تابعی، تمامی نمونه‌‌‌های نوع عارضه خط لوله در مجاورت نمونه‌های نوع عارضه حریم قرار گرفته‌اند. بنابراین می‌توان گفت نوع عارضه خط لوله دارای رابطه مجاورت با نوع عارضه حریم می‌باشد. تنها مدل‌های توصیف دانش که خصیصه‌ها و روابط را در نظر می‌گیرند، می‌توانند این ویژگی‌های بخصوص داده‌های مکانی را مدل نمایند. این پایان‌نامه روش‌های موجود سنجش همانندی معنایی را که شامل پنج نوع مدل ژئومتریک، مدل مشخصه، مدل شبکه، مدل همترازیابی و مدل ترانسفورماسیون می‌باشد را مورد بررسی قرار داده‌است و نقاط ضعف و قوت هریک از این مدل‌ها را در ارتباط با بازخوانی اطلاعات معنایی از داده‌های مکانی تحلیل می‌نماید. تئوری‌های همانندی معنایی موجود از مدل توصیفی و زبان توصیف مختص خود به منظور توصیف کلاسها استفاده می‌نمایند. درصورتیکه اغلب هستی‌شناسی‌های مکانی با استفاده از انواع مختلف منطق توصیفی، توصیف معنایی گردیده‌اند. بنابراین برای حجم عظیمی از هستیشناسیهای موجود استفاده از این مدلهای سنجش همانندی امکان‌پذیر نیست. از سوی دیگر مدل‌های موجود سنجش همانندی معنایی از روابط مکانی به عنوان ویژگی اصلی توصیف کننده دادههای مکانی پشتیبانی نمیکنند. این پایان‌نامه یک مدل تلفیقی سنجش همانندی معنایی (SimHM) را به عنوان مدل محاسباتی سنجش همانندی معنایی پیشنهاد می‌نماید. این مدل که از هستی‌شناسی توصیف معنایی شده با منطق توصیفی به عنوان مدل توصیفی خود استفاده می‌نماید، با ترکیب دو روش موجود سنجش همانندی، همانندی معنایی را میان کلاس‌های هستی‌شناسی و کلاس جستجوی کاربر محاسبه می‌نماید. SimHM مدل مشخصه را به منظور بیان خصیصه‌ها و مدل شبکه را به جهت بیان روابط (مکانی) تلفیق می‌نماید. این پایان‌نامه با انتخاب سیستم بازخوانی اطلاعات شرکت انتقال گاز ایران به عنوان مطالعه موردی، کارآیی مدل SimHM را ارزیابی نموده و پارامتر‌های دقت و فراخوانی را در مدل SimHM با مدل‌های موجود سنجش همانندی معنایی مقایسه می‌نماید. مقادیر پارامترهای دقت و فراخوانی محاسبه شده بیانگر بهبود همانندی معنایی سنجش شده تا حد زیادی می‌باشد.

با افزایش استفاده از سرویس‌های وب در بسترهای توزیع شده نظیر اینترنت، بر اهمیت بهبود فرآیند کشف آن‌ها افزوده شده است و سرویس‌های وب معنایی و روش‌های همتایابی هیبریدی، سعی در بهبود هرچه بیشتر آن دارند. استفاده از تکنیک‌های حوزه‌هایی نظیر بازیابی اطلاعات، جزو روش‌های معمول مورد استفاده در همتایاب‌های هیبریدی محسوب می‌گردد که محاسبه شباهت میان توصیف سرویس‌های وب، مهم‌ترین بخش این روش‌ها است. کارایی همتایاب‌هایی که از معیارهای شباهت متنی برای این منظوراستفاده کرده‌اند، تا حدود زیادی بر انتخاب این معیارها بستگی دارد زیرا که هر معیار شباهت، در دسته‌ای از پرس‌وجوها، عملکرد بهتری از خود نشان می‌دهد. با توجه به اهمیت این موضوع، ایده اصلی ما، استفاده همزمان از چندین معیار شباهت در فرآیند کشف سرویس‌های وب می‌باشد که برای این منظور به ارائه روشی برای استفاده از معیارهای شباهت چندگانه جهت محاسبه میزان شباهت بین پارامترهای ورودی/خروجی سرویس‌های وب، پرداختیم. بدین ترتیب می‌توان بهبودهای حاصل از عملکرد هر یک از معیارهای شباهت مختلف را تجمیع نمود و به نتایج کلی بهتری به ازای تمام مجموعه پرس‌وجوها رسید. در این روش از میانگین‌گیری مرتب شده وزن‌دار یاگر برای تجمیع مقادیر شباهت حاصل از به‌کارگیری معیارهای شباهت مختلف، استفاده کرده‌ایم. همچنین با توجه به برخی از ویژگی-های سرویس‌های وب، به معرفی دو معیار شباهت نامتقارن پرداخته‌ایم که موجب حصول نتایج متفاوتی نسبت به معیارهای متقارن مشابه خود شده‌اند. همچنین روشی جدید برای تجمیع نهایی شباهت حاصل از پارامترهای ورودی و خروجی سرویس‌های وب ارائه نموده‌ایم. نتایج حاصل ازبه‌کارگیری روش پیشنهادی نشان دهنده عملکرد مطلوب آن در حالت کلی، در مقایسه با نتایج حاصل از به‌کارگیری مجزای معیارهای شباهت می‌باشد. همچنین این روش در مقایسه با دو همتایاب مطرح در این زمینه، عملکرد بهتری از خود نشان داده است.

با توجه به حجم عظیم دانش و اطلاعات بشر و رشد روزافزون مستندات در زمینه‌های مختلف، پردازش زبان‌های طبیعی و تبدیل متون به دانش قابل فهم برای ماشین، مورد توجه قرار گرفته است. با استفاده از سیستم‌های استخراج اطلاعات می‌توان بطور خودکار پایگاه دانشی ساخت‌یافته از متون ایجاد کرد. در واقع هدف یک سیستم استخراج اطلاعات، استخراج حقایق از متون غیرساخت‌یافته و نمایش آن‌ها در قالب‌های ساخت‌یافته مانند سه‌گانه‌های RDF می‌باشد. اگر حقایق در قالب معنایی RDF نگاشت شوند، می‌توان اطلاعات مورد نیاز را با ساخت و ارسال پرس‌وجوهای SPARQL روی پایگاه دانش بدست آورد. در این پایان‌نامه، روشی برای استخراج آزاد حقایق از متون زبان فارسی پیشنهاد شده است که در آن استخراج حقایق در سطح جمله و بر اساس تشخیص افعال و روابط وابستگی‌ بین اجزای جمله انجام می‌شود. راه‌کار پیشنهادی، حقایق اصلی را بر اساس فعل و حقایق فرعی را بر اساس روابط بین گروه‌های اسمی جمله استخراج و برای تبدیل به قالب RDF آماده‌سازی می‌کند. برای نگاشت حقایق در قالب معنایی RDF، URI قسمت‌های نهاد، مسند و گزاره یک حقیقت با استفاده از شبکه واژگان و ویکی‌پدیا شناسایی می‌شود. در نتیجه در راه‌کار پیشنهادی شبکه واژگان فردوس‌نت بصورت خودکار بر اساس شبکه واژگان انگلیسی ایجاد می‌شود. نتایج حاصل از ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج حقایق موفق بوده و باعث بهبود دقت و فراخوانی نسبت به سیستم‌های موجود می‌شود. علاوه بر‌این سیستم پیشنهادی حقایق را در قالب معنایی RDF استخراج می‌کند.

به دلیل افزایش جریان‌های داده‏ای و اطلاعاتی، بحث داده‏آمیزی به عنوان یکی از مهم‏ترین زمینه‌های تحقیقاتی و عملیاتی محسوب می‌شود. در حوزه‏هايي که اطلاعات زيادي وجود دارد و تصميم‏گيري‏هاي ضعيف باعث پيامدهاي جدي مي‏شود، مسئله داده‏آميزي بسيار حياتي است. داده‏آميزي اطلاعات چندين منبع را يکپارچه مي‏کند و اين عمل به منظور فراهم آوردن داده‏هاي مشخص و قابل درک درباره موجوديت‏ها و روابط بين آن‏ها صورت مي‏گيرد و نهايتا منجر به استخراج دانش جديد نيز خواهد شد. با ظهور وب معنایی و همه‌گیر شدن آن، ضرورت درک اطلاعات توسط ماشین بر هیچ کس پوشیده نیست، اين تحقيق برآن است تا تکنولوژی‏های وب معنایی را وارد حوزه داده‏آمیزی نماید. با توجه به اینکه یکی از رايج‏ترين مدل‏هاي داده‏آمیزی، مدل چندسطحی JDL می‏باشد، با افزودن معنا و گنجاندن آنتولوژی و سایر تکنولوژي‏هاي وب معنايي به این مدل، يک ساختار داده‏آمیزی معنايي ارائه می‏شود. ساختار ارائه‏شده، گام مهمی در رفع چالش معنایی، که يکي از چالش‏هاي اصلي موجود در سيستم‏هاي داده‏آمیزی است به حساب می‏آید و نیز ناهمگونی‏های نحوی، ساختاری و معنایی را برطرف خواهد نمود.مدل ارائه‌شده با مباحث مختلف از جمله طراحی آنتولوژی‌ها، داده‏های سنسوری، وارد نمودن زمان در سه-تایی‌های RDF، استخراج قوانین و نمایش آن‌ها به صورت معنایی، انجام استنتاج معنایی، بازیابی داده‌های ذخیره شده در RDFStore روبه رو می‌باشد که در پیاده‌سازی در نظر گرفته می‌شوند.ساختار پیشنهادی از نظر کمی و کیفی مورد بررسی قرار گرفته شده است و ویژگی‌های اصلی آن در مقایسه با سایر سیستم‌های داده‏آمیزی برشمرده می‌شود و همچنین با پیاده‌سازی مدل، نشان داده می‏شود که این مدل قابلیت عملیاتی شدن را دارد و کارایی آن توسط فرد خبره موردتأیید قرار می‏گیرد.

با توجه به گسترش روزافزون اطلاعات در دسترس از طریق اینترنت، لزوم استفاده از روش های خلاصه سازی خودکار متن، بیش از پیش احساس می شود. روش هایی که با استخراج مهمترین مطالب موجود در اسناد مانع از مطالعه کامل حجم انبوه از آنها شوند. خلاصه سازی عبارت است از فشرده سازی متن (متون) منبع و تولید یک نسخه کوتاه تر از آن به نحوی که محتوای اطلاعاتی آن حفظ شود. اغلب سیستم های خلاصه ساز با استفاده از روش های سطحی و معیارهای آماری به استخراج مهمترین بخش های متن منبع پرداخته و خلاصه نهایی را شکل می دهند. هدف این پژوهش استفاده از یک روش مبتنی بر پایگاه دانش در فرآیند خلاصه سازی است. در این راستا از پایگاه دانش هستی شناسی فارس نت به منظور دستیابی به مفاهیم موجود در متون و تولید خلاصه آنها استفاده خواهد شد. هستی شناسی یکی از مباحث مربوط به علم فلسفه است که یک ساختار سلسله مراتبی از همه موجودیت های عالم هستی به همراه روابط حاکم بر آنها فراهم می کند. در این پژوهش ابتدا با نگاشت متن مورد خلاصه سازی با پایگاه دانش هستی شناسی، گرافی تحت عنوان گراف موضوعی شکل می گیرد که حامل شمای مفهومی متن منبع است. سپس با استفاده از معیارهای مختلف تعیین اهمیت گرافی، اهمیت نسبی هر یک از گره های گراف ارزیابی می شود. سرانجام از این مقادیر به منظور تعیین اهمیت جملات مختلف موجود در متن منبع و ساخت خلاصه نهایی استفاده خواهد شد. نتایج حاصل از ارزیابی خلاصه های تولید شده، حاکی از برتری روش پیشنهاد شده در این پژوهش نسبت به سیستم های خلاصه ساز موجود است.

مطالعه ملکولی تنش‌های غیرزیستی در گندم به دلیل پیچیدگی و اندازه بزرگ ژنوم آن با مشکلاتی روبرو می باشد. با نگرش به بخش بیان شده ژنوم گندم از طریق تجزیه EST های آن، می‌توان به بخشی از مشکلات فوق غلبه کرد. این تحقیق با هدف شناسایی ژن‌های تحت شرایط نرمال، تنش شوری و خشکی و تعیین گروه‌های کارکردی کتابخانه‌ها انجام پذیرفت. 11 کتابخانه cDNAپس از اخذ از پایگاه داده NCBI و دانشگاه هاروارد با استفاده از نرم افزار EGassembler دسته‌بندی و هم‌گذاری شدند و سپس با استفاده از نرم افزار CLC Protein Workbench بلاست شدند. نتایج بلاست نشان داد بیشترین شباهت توالی‌های ترجمه شده به ژنوم ترجمه شده آرابیدوپسیس در تنش خشکی به ترتیب به کل بافت‌ها، ریشه و سپس برگ تخصیص یافته است. در تنش شوری بیشترین توالی‌های مشابه مختص به بافت تاج گل، سپس غلاف و کمترین آنها مختص بافت ریشه بود. بالاخره در شرایط نرمال جوانه بذری دارای بالاترین درصد تشابه و ریشه دارای کمترین درصد تشابه بود. ژن‌ها در ریشه بر اساس هستی شناسی ژن شناسایی و گروه‌بندی شدند. تعیین گروه‌های کارکردی در 11 کتابخانه نشان داد که بعضی از اجزای سلولی مثل کلروپلاست، پلاستید، سیتوسول و غشای پلاسمایی در پاسخ به تنش یا پاسخ به محرک‌های زیستی یا غیرزیستی با داشتن عملکردهای مولکولی خاص مثل فعالیت ترانسفرازی، فعالیت هیدرولازی بیشترین درصدها را دارا بودند. ژن‌های ریشه بر اساس همردیفی انجام شده با پایگاه داده آرابیدوپسیس مورد شناسایی قرار گرفت که بعضی از گروه‌های مهم مورد بررسی قرار گرفت.

داده‌کاوی که به عنوان استخراج دانش از پایگاه داده‌ها نیز شناخته می‌شود، روالی برای استخراج دانش ناشناخته از مقدار زیادی داده است. کاوش اسناد بر اساس روش‌های داده کاوی به استخراج اطلاعات و دانش از اسناد می‌پردازد. خوشه‌بندی اسناد یکی از مهمترین روش‌های کاوش اسناد است که دسته‌بندی بدون سرپرست اسناد به گروه‌های مختلف می‌باشد.سیستم‌های رایج بازیابی اطلاعات و خوشه‌بندی اسناد بر کلمات کلیدی استوار می‌باشند. با توجه به اینکه کلمات کلیدی مختلف می‌توانند برای توصیف یک مفهوم استفاده شوند، این سیستم‌ها می‌توانند نتایج نادرست و ناقصی راایجاد نمایند. همچنین روابط معنایی ممکن است بین کلمات موجود باشد که شناسایی آنها نیاز به استخراج دانش دامنه مورد نظر دارد. مهمترین گام‌ها در خوشه‌بندی اسناد نحوه‌ی نمایش اسناد و معیار اندازه‌گیری شباهت بین آنها است.این تحقیق بر بهبود کارایی خوشه‌بندی اسناد تمرکز دارد. الگوریتم خوشه‌بندی اسناد در سه گام پیشنهاد شده است: نمایش اسناد، اندازه‌گیری شباهت بین اسناد، سیستم استنتاج فازی به منظور اندازه‌گیری شباهت نهایی بین اسناد. در نهایت پس از انجام این سه گام، با استفاده از الگوریتم خوشه‌بندی پایین به بالا خوشه‌بندی اسناد صورت می‌پذیرد. در گام اول، اسناد بر اساس دانش دامنه به صورت یک گراف آنتولوژی نمایش داده می‌شوند. این روش بر خلاف روش مبتنی بر کلمات کلیدی، بر مفاهیم دامنه استوار می‌باشد و یک سند را بر اساس مفاهیم موجود در آن، به صورت زیرگرافی از آنتولوژی دامنه نمایش می‌دهد. مفاهیم استخراج شده گره‌های گراف را تشکیل می‌دهند. برای هر گره با توجه به فرکانس مفهوم، وزن محاسبه می‌گردد. روابط موجودبین مفاهیم سند، یال‌های گراف و میزان این ارتباط اوزان یال‌ها را مشخص می‌نماید. در گام دوم برای هر سند بر اساس نمایش گرافی استخراج شده از مرحله‌ی اول، مفاهیم کلی و جزئی و یال‌های اصلی مشخص می‌گردند. شباهت بین هر جفت از اسناد در سه مقدار و بر اساس این سه عامل محاسبه می‌شود. در گام سوم سیستم استنتاج فازی با سه ورودی و یک خروجی طراحی شده است. ورودی‌ها مفاهیم کلی، مفاهیم جزئی و یال‌های اصلی می‌باشند و خروجی میزان شباهت بین دو سند است. مجموعه‌ای از قوانین فازی برای موتور استنتاج فازی در نظر گرفته شده است که بر اساس سه شباهت ورودی مقدار شباهت نهایی را تخمین می‌زند. در نهایت بر اساس ماتریس شباهت اسناد، الگوریتم خوشه‌بندی سلسله مراتبی پایین به بالا به منظور خوشه‌بندی اسناد اعمال می‌گردد. برای ارزیابی الگوریتم پیشنهادی، نتایج با نتایج حاصل از روش‌های naïve Bayes ، دو الگوریتم مبتنی بر هستان شناسی و یک الگوریتم آماری مقایسه شده است. نتایج به دست آمده نشان می‌دهند که روش پیشنهاد شده مقادیر F-measure و Accuracy را بهبود می‌دهد. همچنین مقادیر FP و Error به میزان قابل توجهی کاهش می‌یابد.