جستجوي پيشرفته | کتابخانه مجازی الفبا

با گسترش رسانه‌های اجتماعی در فضای وب (انجمن‌های وب، شبکه‌های اجتماعی، بلاگ‌‌ها و ...) منابعی غنی و ارزان از نظرات به‌وجود آمده‌اند، مردم و تولیدکنندگان برای بررسی نظرات به این رسانه‌ها روی آورده‌اند. تحلیل نظرها از دو جنبه کاربرد فراوان دارد. برای صاحبان تجارت، گرفتن بازخورد مشتریان از محصول و سرویس می‌تواند بسیار مفید باشد تا براساس آن، تصمیم‌های مناسبی را در محصول و سرویس‌های بعدی خود دخیل کنند. همچنین برای کاربرانی که قصد تهیه محصول را دارند، استفاده از نظر سایرین برای رسیدن به خریدی مطمئن و مطابق با سلایق خود می‌تواند کمک کننده باشد. هدف اصلی این تحقیق ایجاد و پیاده‌سازی سیستم کاوش نظرات در وب و تحلیل این نظرات برای به‌دست آوردن میزان نظرات مثبت و منفی مربوط به هر یک از ویژگی‌های محصول است. هدف نهایی این سیستم، مشخص کردن میزان نظرات مثبت و منفی ویژگی‌های محصول و رتبه‌بندی (Rank) ویژگی‌های محصولات موجود بر اساس بیش‌ترین نظرات مثبت و منفی است تا کاربر از بین محصولات موجود، محصولی که دارای بیش‌ترین نظرات مثبت برای ویژگی‌های دلخواه است را بتواند انتخاب کند. در تحقیق پیش‌رو سعی بر آن داریم با استفاده از آنتولوژی و ابزارهای وب‌معنایی با استفاده از معنای جملات و مفاهیم مستتر در محتویات نتایج بهتری نسبت به روش‌های سنتی به‌دست آوریم. در این تحقیق فرض بر این است که در هر نظر، کاربران به ویژگی‌های مختلفی از موضوع اشاره می‌کنند و در آن نظر ممکن است برخی ویژگی‌ها از نظر کاربر مثبت و برخی دیگر از ویژگی‌ها منفی تلقی شود. با این دید، یک نظر از کاربر را به‌جای آن‌که مطلق مثبت یا منفی قلمداد کرد، مثبت، منفی و خنثی را به هر یک از ویژگی‌هایی که کاربر ذکر می‌کند اعمال می‌کنیم.

همراه با پیشرفت تکنولوژی، سرمایه‌گذاری بر روی دانش در دسترس سازمان‌ها اهمیت بیشتری یافته است. سازمان‌ها با استفاده از تکنیک‌های گوناگون حجم انبوه دانش در دسترس خود را مورد پردازش قرار می‌دهند. اگر تکنولوژی می‌خواهد بهره‌گیری موثر از دانش را در سازمان تسریع کند، باید بتواند علاوه بر دسترسی به دانش مستندسازی شده دسترسی به دانش افراد را نیز پشتیبانی کند. مسئله یافتن متخصص با هدف استخراج این دانش و تعیین میزان تخصص افراد بر اساس ویژگی‌های مختلف تعریف شده‌است. تکنیک‌های مختلفی برای استخراج و کاوش اطلاعات افراد وجود دارند. در این پایان‌نامه روشی برای یافتن افراد متخصص در یک شبکه اجتماعی ارائه شده است به‌گونه‌ای که در زمانی کوتاه علاوه بر محتویات متنی اسناد مرتبط با کاربران(پروفایل، مقالات منتشره،صفحات وب) گراف اتصالات بین آنان را نیز مورد استفاده قرار دهد. پیدا کردن افراد متخصص موضوعی است که امروزه توجه بسیاری از صاحبان مشاغل را به خود جلب کرده است چون تعریف معیارهایی برای تعیین یک تخصص خاص و انتخاب افراد متخصص بر اساس آن معیارها کاری دشوار می‌باشد. اغلب پژوهش‌هایی که در این زمینه انجام شده تنها اطلاعات ارائه شده توسط خود افراد را برای ارزیابی تخصص آن ها مورد استفاده قرار می‌دهد، اما در این پایان‌نامه هدف این است که با ارائ? راه حلی برای مسئل?یافتن متخصص علاوه بر اطلاعات ارائه شده توسط خود فرد روابط وی با دیگر افراد متخصص نیز مدنظر قرار داده شود. به علاوه، در این پایان نامه روشی جدید برای محاسبه شباهت معنایی بین کلمات ارائه شده‌ و از این روش برای رتبه‌بندی متخصصان بر اساس میزان تناسب با پرس‌وجوی وارد شده استفاده شده‌است.

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.