جستجوي پيشرفته | کتابخانه مجازی الفبا

محيط‌هاي محاسبات فراگير با داشتن انواع شبکه‌هاي ارتباطي و سيستم‌هاي کارگزار، محمل مناسبي براي ارائه‌ي انواع سرويس‌ها به کاربران هستند. يکي از مسائل مهم در چنين محيط‌هايي مساله‌ي کشف سرويس است. در اکثر روش‌هاي کشف سرويس که تا کنون ارائه شده‌اند، دو مساله‌ي اساسي عدم وابستگي به گره‌اي خاص و توجه به اطلاعات زمينه به‌صورت همزمان در نظر گرفته نشده است. از آن‌جا که در يک محيط محاسبات فراگير، اطلاعات زمينه نقش مهمي در ارائه‌ي سرويس راحت‌تر به کاربر دارد؛ در اين پايان‌نامه سعي شده است کليات يک روش کشف سرويس آگاه از زمينه با استفاده از منبع‌زمينه به عنوان تابلوي تبليغات سرويس‌ها ارائه شود. به اين‌صورت که اطلاعات سرويس‌هايي که اخيراً به محيط اضافه شده‌اند در منبع‌زمينه ذخيره مي‌شوند و منبع‌زمينه علاوه بر ارسال بسته‌هاي پاسخ، اطلاعات اين سرويس‌ها را نيز تبليغ مي‌کند. البته در اين ايده منبع‌زمينه، يک پوشه‌ي سرويس نخواهد بود؛ به اين دليل که روش پيشنهادي بدون وجود منبع‌زمينه با استفاده از اطلاعاتي که گره‌ها از محيط دريافت کرده‌اند نيز قادر به کشف سرويس مي‌باشد. در ضمن اين روش با گروه‌بندي سرويس‌ها، به عمليات کشف سرويس سرعت مي‌بخشد. براي ارزيابي اين روش يک برنامه شبيه‌ساز طراحي شده است که با تعريف اطلاعات محيط و انجام تنظيمات اوليه عمليات کشف سرويس را بر اساس روش پيشنهادي انجام مي‌دهد. معيارهاي سنجش در اين شبيه‌ساز «تعداد بسته‌هاي توليد شده»، «زمان مورد نياز»، و «کارايي» کشف سرويس است. در مقايسه‌ي نتايج بدست آمده از روش پيشنهادي با ساير روش‌هاي مشابه مانند روش GSD و روش Pohare و همکارش، بهبود کيفيت معيارهاي سنجش کشف سرويس مشاهده مي‌شود. کارايي برتر روش پيشنهادي ما صرف هزينه و زمان کمتر به همراه کارايي بالاتر براي رسيدن به نتايج مطلوب مي‌باشد.

در دنیای امروز به منظور کاهش هزینه یادگیری از طرفی و هزینه وقت از طرف دیگر که نمی توان از آن چشم پوشی کرد، بهره گیری از سیستمهای جدید یادگیری همچون یادگیری الکترونیکی جایگاه خود را نمایان ساخته است. محققان تلاش می کنند برای پایین آوردن هزینه آموزش مستقل از زمان با تکیه بر فناوری های جدید بتواند علاوه بر آموزش موثر هزینه تولید را با بهره گیری از دانش اشتراکی در محیط وب کاهش داده و با تنوع بخشی محتوای آموزش الکترونیکی به کمک سیستم های انطباقی مبتنی بر شبکه وب معنایی به اطلاعات و داده های مرتبط برای یادگیرنده دست یابند.در این تحقیق آنچه مورد نظر ماست شامل، بهره گیری از وب معنایی به منظور غنی سازی محتوای آموزش الکترونیکی برای افزایش اثر بخشی و ارتقاء کیفیت آموزش در سیستم های آموزش الکترونیکی و ارائه بهترین شیوه بکارگیری فناوری های وب معنایی در تنوع بخشی و غنی سازی محتوای آموزش الکترونیکی با تکیه بر آمار و کاربردها است. بدین منظور در این تحقیق تلاش شده با ارائه و طراحی یک معماری توزیع شده در حوزه های مختلف وب معنایی مانند مدل سازی محتوایی مبتنی بر کلید واژه با بهره گیری از داده کاوی،تولید محتوابه روش های مشارکتی و اجتماعی، تولید محتوا به روش تفسیر متن بر اساس هستان شناسی و ارائه محتوای آموزش الکترونیکی مبتنی بر هستان شناسی به تقویت و تنوع بخشی محتوای آموزشی اثر بخش دست یافت.ارزیابی عملکرد سیستم آموزش الکترونیکی با محتوای غنی شده مبتنی بر وب معنایی حاکی از افزایش اثر بخشی آموزش بر روی یادگیرندگان داشته است، که این مهم با محتوای معمول در سیستم های مدیریت یادگیری بر روی تعدادی از یادگیرندگان نمونه امتحان، و نتیجه میزان یادگیری بررسی شده است، به طوری که با بهره گیری از این سیستم می توان حداقل به افزایش توانمندی یادگیرندگان به میزان 20% و علاقه مندی استفاده از سیستم به میزان 40% برای آنان دست یافت.

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.

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.

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.

پیش‌نیاز وب‌معنایی که با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها بدون دخالت بشر طرح شد، وجود مقدار زیادی آنتولوژی و داده‌های حاشیه‌نویسی است. با وجود پیشرفت‌های قابل‌توجه در ابزارها و راه‌حل‌های نیمه‌خودکار، به‌میزان کافی از نیروی انسانی و هوش افراد برای ساخت آنتولوژی، حاشیه‌نویسی داده‌ها در انواع بعدها و قالب‌ها و تنظیم کردن اجزای مفهومی در آنتولوژی‌های متعدد، نیاز است. سری بازی‌های هدف‌دار برای استفاده‌ی مجانی از وقت، هوش و توانایی افراد برای نخستین بار به‌وسیله‌ی لوئیس ون آهِن (در سال 2002) ارائه شد. ایده‌ی استفاده از بازی‌های هدف‌دار در درست کردن وب‌معنایی، به‌وسیله‌ی کاترینا سیورپائس (در سال 2006) مطرح شد. سیورپائس، چند بازی‌ را برای حاشیه‌نویسی معنایی در دامنه‌های مختلف، ارائه داده است. این رساله، به‌دنبال آن است که به‌طور گسترده‌تری از بازی‌های هدف‌دار در ساخت وب‌معنایی استفاده کند؛ بنابر‌این، به‌بررسی آنتولوژی و آنتولوژی فازی، حاشیه‌نویسی داده‌ها بر‌اساس آنتولوژی‌های‌ موجود و تنظیم اجزای مفهومی در آنتولوژی‌ها می‌پردازد. با بررسی مراحل تولید آنتولوژی و آنتولوی متغیر زبانی فازی، مراحلی که انجام‌شان نیازمند نیروی انسانی بودند، شناسایی و بازی‌هایی برای انجام برخی از این مراحل، پیشنهاد می‌شود. در نهایت، یکی از بازی‌های پیشنهادی با نام واژه‌معنا (LingoGame) که برای پیدا کردن مقادیر متغیرهای زبانی است، پیاده‌سازی و نتایج حاصل از آن، بررسی می‌شود.

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.

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.