جستجوي پيشرفته | کتابخانه مجازی الفبا

قرن چهارم هجري قمري، براي اسلام و مسلمانان، قرني شگفت انگيز بود. رشد و نمو علم و دانش و نگارش كتب علمي در اكثر زمينه ها از جمله، پزشكي، شيمي، رياضيات، فلسفه، نجوم ، كلام، تاريخ، ادبيات، فقه و حديث از بالندگي مخصوص برخودار شد. در اين بين مورخان مسلمان نيز در نگارش تاريخ به ابداعاتي دست زدند. آنها به علل و عوامل وقايع تاريخي توجه نمودند. جرياني كه بر مورخين اسلامي و تاريخ نگاري آنان تأثير گذاشت، رويكرد عقلاني در اين قرن بود. فلسفه و كلام نیزوارد ميدان شده و با استدلالات عقلاني كه براي نظرات خود ابراز مي نمودند، ديگر علوم را به پيروي از اين شيوه رهنمون کردند. مورخين اسلام نيز كه از افكار كلامي و فلسفي به دور نبودند، خواه ناخواه اين تفكرات را در تاريخ نگاري خويش انعکاس دادند. البته بايد توجه نمود كه ميزان اين اثر گذاري در بين مورخين به يك اندازه نبود. از اين رو در اين رساله سعي شده است كه به ارتباط علم كلام و مورخين اسلامي اشاره شود و به اين موضوع نيز پرداخته شود كه چگونه فضای عقلانی را که علم كلام در جامعه اسلامی بوجود آورده بود بر نوعبينش و تاريخ نگاري مورخين اسلامي در اين قرن تاثیر داشته است. هم چنين چگونه علم كلام و متكلمان درراستای مقاصد خود که اثبات مبانی دین ودفاع ازآن بود،از گزاره های تاریخ سود بردند.

گسترش بیش از حد وب، نیازِ بر سامانه‌های بازیابی اطلاعات را بیش از پیش نموده‌است. یکی از این دست سامانه‌ها، که تحقیقات بسیاری را معطوف خود نموده‌است، موتور‌های جستجو هستند. رشدِ نماییِ استفاده از موتور‌های جستجو در میان کاربران وب به‌اندازه‌ای است که بسیاری حتی در انجام کار‌های روزمره، استفاد از آن را در اولویت قرار می‌دهند. این میزان رشد نمایان‌گر نیاز بر تمرکز بیش از پیش بر توسعه موتور‌های جستجویی با قابلیت بیشتر در پاسخگویی به نیاز کاربران است. ازجمله نیاز‌های مهم کاربران، بازیابی صفحاتِ وب مبتی بر دامنه خاص، جستجوی دقیق‌تر، ارائه رهنمون‌های مناسب و رتبه‌بندی کارآمد صفحات وب است. این نیاز‌ها درطی تحقیقاتِ جامع منجر به معرفی مفاهیم معنایی در موتور‌های جستجو شده‌است. امروزه تمرکز بسیاری از توسعه‌دهندگان موتور‌های جستجو، مهاجرت از موتور‌های جستجوی نحوی خود به‌سمت موتور‌های جستجوی معنایی است. بیان انجام این مهاجرت در کلام ساده بوده و پیاده‌سازی آن نیاز به ممارست فراوان دارد. از جمله مشکلات موجود استخراج دانش دامنه‌ای و مبتنی بر زبانی است که موتور‌های جستجو با آن روبرو هستند.این پایان‌نامه آغاز نگرشی در جهت توسعه موتور‌های جستجوی معنایی به زبان فارسی در حوزه فناوری اطلاعات و ارتباطات است. بر اساس معماری ارائه‌شده برای موتور جستجوی معنایی خود، دو رویکرد مورد توجه بوده‌است. در بخش نخست از این پایان‌نامه مکانیزم خزش متمرکز مورد توجه بوده‌است. خزش‌گر یکی از مهم‌ترین و شکننده‌ترین مولفه هر موتور جستجو است که وظیفه استخراج صفحات وب به‌منظور استفاده‌های آتی، همانند یادگیری هست‌شناسی و ساخت شاخص، را بر‌عهده دارد. در این میان مکانیزم خزش متمرکز جدیدی ارائه و مورد ارزیابی قرار گرفت. در بخش دوم، یادگیری هست‌شناسی به‌عنوان زیربنای موتور‌های جستجوی معنایی مورد تحقیق و بررسی قرار گرفت. یادگیری هست‌شناسی در صفحاتِ حوزه فناوری اطلاعات و ارتباطات به زبان فارسی با مشکلات و نقیصه‌هایی همراه بوده که این نقیصه‌ها مورد بررسی قرار گرفته و لزوم پیاده‌سازی نرم‌افزار‌هایی در این باب به چالش کشیده‌شده‌است. بنابر الگوریتم‌های یادگیری هست‌شناسی مورد استفاده، مهم‌ترین نقطه ضعف در این حوزه عدم وجود نرم‌افزار‌هایی مناسب پردازش زبان طبیعی به زبان فارسی است.

در سال‌های اخیر، تکنیک‌های فیلتر محتوایی دانش‌محور مبتنی‌بر پایگاه دانش و آنتولوژی به‌ روش‌هایی کارا و قابل‌قبول برای فیلتر اطلاعات تبدیل شده‌اند. در این تحقیق از ساختار آنتولوژی و پایگاه‌دانش‌های ویکی‌پدیا، وردنت و BNC برای عمل فیلتر اسناد، بهبود نمایش اولویت‌های کاربری و محتوای اسناد و محاسبه شباهت معنایی استفاده می‌شود. همچنین سامان‌دهی علایق کاربری و محتوای اسناد در پروفایل‌ها امکان استخراج دانش درباره‌ی علایق احتمالی کاربران و محتوای اسناد را با استفاده از آنتولوژی و پایگاه‌دانش فراهم می‌آورد. این تحقیق روشی نوین و منحصر‌به‌فرد در ساختار ترکیب خبرگان برای فیلتر اسناد ارائه می‌کند و مجموعه‌ای از بهترین و کاراترین روش‌های فیلتر را پیاده‌سازی و با هم یکپارچه می‌کند. ارزیابی سیستم در دو مرحله ارزیابی روش‌های محاسبه شباهت معنایی و روش‌های فیلتر محتوایی با استفاده از مجموعه داده‌های میلر- چارلز و 20Newsgroup انجام می‌شود. نتایج ارزیابی، همبستگی زیاد روش‌های محاسبه‌ی شباهت معنایی میان مفاهیم را با قضاوت بشر نشان می‌دهد. روش‌ مبتنی‌بر ویکی‌پدیا با میزان همبستگی 0.779 نه‌تنها از دیگر روش‌های پیاده‌سازی شده بهتر عمل می‌کند بلکه از روش‌های مشابه و شناخته‌شده‌ای مانند CODC با میزان همبستگی 0.693 و روش ESA با میزان همبستگی 0.58 بهتر عمل می‌کند. به‌علاوه در ارزیابی روش‌های فیلتر دانش‌محور ملاحظه می‌شود که روش مبتنی‌بر آنتولوژی با نرخ صحت و کارآیی98.9 و 98 درصد و روش مبتنی‌بر ویکی‌پدیا با نرخ صحت و کارآیی98.2 و 96 درصد نتایجبهتری نسبت به دیگر روش‌های مشابه و شناخته شده مانند NB-SVM Hybrid دارند. همچنین نتایج ارزیابی روش مبتنی‌بر ساختار ترکیب خبرگانبا نرخ صحت و کارآیی 99.4 و 98.9 درصد نشان می‌دهد کهاین روش نه‌تنها از تک‌تک روش‌های پیاده‌سازی شده کارآیی و صحت بالاتری دارد، بلکه می‌تواند خطاهای عمل فیلتر را تصحیح کند. براساس این نتایج، سیستم پیاده‌سازی شده می‌تواند به‌عنوان رویکرد جدیدی در فیلتر محتوایی و به‌عنوان چارچوبی برای استفاده در کاربردهای فیلتر اطلاعات استفاده شود.

آنتولوژی به معنای تعریف صوری مفاهیم می‌باشد. برای ذخیره‌سازی آنتولوژی، دو روش مهم، روش‌های مبتنی بر حافظه و روش‌های ذخیره‌سازی در مدل داده رابطه‌ای می‌باشند. یکی از مشکلات روش‌های مبتنی بر حافظه که در برنامه‌های استدلال‌گری مانند pellet استفاده می‌شوند این است که مدت زمان اجرای پرس‌و‌جو نسبتا زیاد می‌باشد. پایگاه‌های داده رابطه‌ای به دلیل مزایایی همچون بالا رفتن سرعت دست‌یابی به اطلاعات، تضمین بالای امنیت محل نگه‌داری اطلاعات، کاهش هزینه‌های نگه‌داری، استفاده همزمان چند کاربر از یک داده و تخصیص سطوح مختلف دسترسی به گروه‌های مختلف کاری و همچنین امکان استفاده برنامه‌های کاربردی گوناگون از اطلاعات موجود در پایگاه‌داده رابطه‌ای، جهت ذخیره‌سازی آنتولوژی مناسب می‌باشند. روش‌های مبتنی بر مدل داده رابطه‌ای نیز که تا کنون ارایه شده‌اند دارای مشکلاتی مانند حجم بالای تعداد جداول تولید‌شده، طولانی بودن مراحل الگوریتم، عدم انعطاف‌پذیری در مقابل اعمالی همچون اضافه و حذف نمودن و همچنین به‌روزرسانی مفاهیم موجود در آنتولوژی و طولانی بودن زمان اعمال تغییرات و در نهایت عدم امکان پیاده‌سازی بیشتر روش‌ها، می‌باشند. روش ارایه‌شده در این پایان‌نامه، روشی مبتنی بر تکنیک نگاشت می‌باشد و با ایجاد تعداد ثابت 5 جدول به ذخیره‌سازی مفاهیم موجود در آنتولوژی نظیر کلاس‌ها و روابط بین آن‌ها، ویژگی کلاس‌ها، محدودیت ویژگی‌ها و همچنین نمونه‌های ایجاد شده از کلاس‌ها، به ذخیره‌سازی مفاهیم در پایگاه‌داده رابطه‌ای می‌پردازد. روش پیشنهادی که به صورت کامل پیاده‌سازی شده است، مزایایی نظیر بهینه بودن زمان پرس‌وجو، کم بودن مراحل الگوریتم، امکان ایجاد تغییرات و قابلیت پیاده‌سازی را به طور کامل پوشش می‌دهد، همچنین فاکتورهایی مانند مدت زمان اجرای پرس‌وجو،صحت، کامل بودن، مقیاس‌پذیری، تعداد مراحل الگوریتم، تعداد جداول ایجاد شده، پیچیدگی مدل نهایی و فهم آسان آزمایش شده اند که نتایج حاصل از روش پیشنهادی، در بسیاری از معیار‌های ذکر شده دارای عملکرد بهتری می‌باشد.

با توجه به رشد روزافزون اسناد الکترونیکی، نیاز به یک دسته بند کارا در حوزه داده کاوی واضح است. اخیراً به منظور افزایش دقت دسته بندی، استفاده از آنتولوژی لغوی به عنوان مرجع خارجی و نیز استخراج دانش از متون در فرآیند دسته بندی، مطرح شده است؛ از این رو، هدف از انجام این پروژه ارائه و پیاده سازی سیستم دسته بندی خودکار اسنادی است که آنتولوژی لغوی فارس نت را در عملیات دسته بندی داخل می نماید. این امر منجر به افزایش اوزان کلمات مرتبط با دانش پیش زمینه متن می شود. راهکار پیشنهادی برای استفاده از آنتولوژی لغوی، تمرکز بر روی بردار مشخصه ی معنایی را محور فعالیت های خود قرار داده است؛ تا بدین وسیله فرآیند دسته بندی را بهبود بخشد. در این پروژه ضمن بررسی و مطالعه ی روش های بکارگیری آنتولوژی لغوی در فرآیند دسته بندی، آنتولوژی لغوی فارس نت را به منظور استخراج روابط معنایی استفاده می نماییم.در سیستم ارائه شده، کلیه ی اجزاء تشکیل دهنده ی سیستم دسته بندی شامل پردازشگر لغوی، کاهنده ی ویژگی، انتخاب کننده ی ویژگی، وزن دهی به ویژگی و طبقه بندی کننده اسناد، لحاظ شده است. در این پروژه الگوریتم χ^2 در بخش انتخاب مشخصه و روش وزن دهی ویژگی نرمال شده TFIDF در بخش وزن دهی به کار گرفته می شود. پیش از اعمال روش وزن دهی به مشخصه ها، بردار مشخصه معنایی برای هر کلمه کلیدی توسط مفاهیم استخراج شده از آنتولوژی لغوی فارس نت، ایجاد می شود. نتایج ارزیابی های انجام شده نشان دهنده ی بهبود قابل توجهی در کارایی و دقت الگوریتم دسته بندی با بکارگیری آنتولوژی لغوی فارس نت است.

با رشد فزاینده و لجام گسیخته اطلاعات دیجیتالی و نیاز به دستیابی به اطلاعات مورد نظر از میان خیل انبوه متون و اسناد موجود در زمان معقول، نیاز به سیستم‌های بازیابی اطلاعاتی که بتوانند نیاز اطلاعاتی کاربران را کامل‌تر و دقیق‌تر تشخیص داده و متون و اسناد مرتبط با آن را بازیابی کند، بیش از پیش احساس می‌شود. به دلیل ویژگی‌های خاص زبان طبیعی نظیر چند معنایی عبارت، ارتباطات معنایی نهفته و ... ، تنها مقایسه عبارات موجود در پرس‌جوی کاربران با اسناد موجود به منظور جستجوی نیاز اطلاعاتی کاربران در نمایه سیستم، کافی نبودهو نتایج حاصل نمی‌تواند به طور مطلوب پاسخ‌گوی نیاز کاربران باشد. هدف از انجام این تحقیق شناسایی مفاهیم مستتر در دامنه معنایی متون و اسناد، به منظور استفاده در نمایه‌سازی و بهبود عملکرد سیستم‌های بازیابی اطلاعات می‌باشد. برای انجام این کار دامنه معنایی متن را با استفاده از دامنه معنایی مفاهیم که در پایگاه دانش سیستم تعریف شده، شناسایی می‌نماییم. سپس مفاهیم مستتر در دامنه معنایی متن را استخراج و بر اساس ارتباط معنایی که با متن(مفاهیم موجود در متن) دارند، رده‌بندی می‌کنیم. مفاهیم موجود در صدر رده‌بندی فوق به عنوان مهم‌ترین مفاهیم مستتر در دامنه معنایی متن به نمایه متن افزوده می‌شوند تا در زمان مقایسه پرس‌جوها با نمایه مدنظر قرار بگیرند. پیاده‌سازی ایده فوق به ابداع دو روش اکتشافی، یکی در زمینه مهندسی دانش و هستی‌شناسی و دیگری در زمینه پردازش زبان طبیعی انجامید. در زمینه هستی‌شناسی یک روش جدید برای نمایش مفاهیم توسط یک بردار معنایی در فضای n-بعدی دامنه ارائه شد. برای نگاشت متن به پایگاه دانش سیستم، مفهوم هسته‌های معنایی متن بر اساس زنجیره‌های معنایی ارائه شده و مورد استفاده قرار گرفت.برای ارزیابی ایده‌های موردنظر، سیستم فوق به صورت یک ماجول پیش‌پردازش‌گر به یک سیستم بازیابی اطلاعات فضای برداری وزن‌دار(VSM) افزوده شده و تغییرات عملکرد این سیستم در حالت عادی (بدون وجود ماجول پیش‌پردازش‌گر) و هنگامی که ورودی آن از سیستم مورد نظر ما تامین می‌شود، مقایسه شد. در پیاده‌سازی ماجول پیش‌پردازش‌گر معنایی از WordNet به عنوان پایگاه دانش سیستم استفاده شد. نتایج ارزیابی عملکرد سیستم بر روی 4 مجموعه از اسناد آزمایش سیستم‌های بازیابی اطلاعات، حاکی از عملکرد نوید بخش در صورت تعیین مقادیر مناسب برای پارامترهای ورودی و استفاده از پایگاه دانش مناسب می‌باشد.

وب امروزی اطلاعات را به‌صورت پراکنده و بدون درنظر‌گرفتن معنایشان در وب‌سایت‌های مختلف قرار داده است. اگر شخصی بخواهد به‌دنبال کالا و یا مفهوم خاصی در وب بگردد، باید به وب‌سایت‌های مختلف مراجعه کرده و اطلاعات آن‌ها را با هم مقایسه کند. اگر بتوان اطلاعات موجود در وب در زمینه‌ای خاص را به‌صورت یکپارچه و معنادار در کنار یکدیگر قرار داد، در وقت و هزینه‌ی کاربر صرفه‌جویی می‌شود. برای انجام این کار باید ابتدا اطلاعات موجود در وب استخراج شده و سپس به‌صورت یکپارچه در کنار یکدیگر قرار گیرند. این رساله برای استخراج اطلاعات، از وب‌سرویس‌ها و برای یکپارچه‌سازی آن‌ها از وب‌معنایی استفاده کرده است. این رساله به‌طور خاص از آنتولوژی استفاده کرده و آنتولوژی کتاب را تهیه کرده است. بدین‌صورت که ابتدا یک آنتولوژی اولیه ساخته شده است. سپس اطلاعات موجود در وب در مورد کتاب از طریق وب‌سرویس‌ها استخراج شده و در قالب یک آنتولوژی ذخیره شده است. در مرحله‌ی بعد این آنتولوژی‌ها باید با یکدیگر تطبیق یابند تا یک آنتولوژی یکپارچه ساخته شود. جهت انجام این‌کار باید مشابهت‌های معنایی، رشته‌ای و ساختاری این آنتولوژی‌ها درنظرگرفته شود. این رساله برای بررسی مشابهت معنایی و رشته‌ای از اطلاعات زمینه‌ای (فرهنگ‌لغت‌هایی) مثل ویکی‌پدیا، وُردنِت، گوگل و غیره استفاده کرده و برای بررسی مشابهت ساختاری از درختِ این آنتولوژی‌ها استفاده کرده است. در نهایت، آنتولوژی یکپارچه‌ی نهایی ساخته و نمونه‌سازی می‌شود.

باتوجه به ذات پویای سیستم‌های چندپیشکاره وب‌معنایی و وجود پیشکارهای مختلف در آن، شناسایی پیشکارهای قابل اعتماد یکی از چالش‌های ایجاد ارتباط بین پیشکارها در وب‌معنایی است. ارزیابی اعتماد در این سیستم‌ها براساس رفتار گذشته‌ی پیشکارها انجام می‌شود. دو منبع اصلی برای کسب اطلاعات از رفتار گذشته‌ی پیشکارها وجود دارد: ارتباط‌ مستقیم بین پیشکارها و اطلاعات به‌دست آمده از سایر پیشکارهای اجتماع. باوجود پیشکارها با سلیقه‌ها و نظرات مختلف، مدل اعتماد پیشنهادی باید بتواند مطابق با نیازهای پیشکارها تنظیم شود. به‌علاوه برای محاسبه‌ی اعتبار پیشکارها باید اطلاعات مربوط به رفتار آن‌ها در گذشته از جامعه‌ی پیشکارها جمع‌آوری شود. همچنین اعتماد ابعاد مختلفی دارد و ممکن است میزان اعتماد به پیشکار مفروضی در ابعاد مختلف متفاوت باشد. این رساله برای حل هر یک از این چالش‌ها راه‌حلی پیشنهاد می‌دهد. مدل پیشنهادی این رساله از روش توزیع شده‌‌‌ای مبتنی‌بر شبکه‌های اجتماعی برای جمع‌آوری اطلاعات از محیط استفاده می‌کند و با بهره‌گیری از شبکه‌های عصبی مصنوعی میزان اعتبار را براساس مشاهدات جمع‌آوری شده ارزیابی می‌کند. شبکه‌های عصبی در طول زمان مطابق دیدگاه پیشکار آموزش می‌بینند، بدین‌ترتیب میزان اهمیت توصیه‌های جمع‌آوری شده باتوجه به دیدگاه پیشکار ارزیابی‌کننده‌ی اعتماد تنظیم شود. همچنین مدل پیشنهادی دراین رساله برای نمایش میزان اعتماد از آنتولوژی‌ها بهره می‌گیرد، بدین وسیله میزان اعتماد در ابعاد مختلف محاسبه می‌شود. این رساله برای بررسی کارایی مدل پیشنهادی، بستری با استفاده از میان‌افزار Jade پیاده‌سازی می‌کند و کارایی مدل به‌‌طور عملی در آن آزمایش می‌شود.

وب مخزن عظیم و رو به گسترش دادههاست و اغلب منابع اطلاعاتی آن توسط پایگاه داده های رابطه ای ذخیره و مدیریت می شود. امروزه ماشین فهمکردن و دسترسی معنایی به این حجم عظیم از داده ها، یک ضرورت است. در این میان فناوری وبمعنایی با هدف ایجاد قابلیت پردازش روی دادههای وب پیشنهاد شده است. ساخت آنتولوژی نقش محوری را در وبمعنایی برعهده دارد، اما استخراج آنتولوژی از پایگاه دادههای رابطه ای موجود تحت وب بهطوریکه امکان پرس و جوی معنایی فراهم شود، با مشکلاتی روبروست. این مشکلات ناشی از تفاوتهای بین مدل رابطهای و آنتولوژی و همچنین عدمدسترسی مستقیم به پایگاه دادههای رابطه ای تحت وب است. در این پایان نامه شباهت ها و تفاوت های بین مدل رابطه ای و آنتولوژی بهطور دقیق بررسی شدهاست. همچنین از آنجایی که بهطور طبیعی دسترسی مستقیم به پایگاه دادههای رابطه ای تحت وب برای ایجاد آنتولوژی مُیسر نیست، بنابراین روشی نیمه خودکار برای ایجاد آنتولوژی مبتنی بر پیمایش صفحات HTML مرتبط با پایگاه داده های رابطه ای در دامنه ای مفروض پیشنهاد شده است. این روش که «استخراج آنتولوژی با پیمایش صفحات HTML» نام دارد، ابتدا شبه پایگاه داده رابطه ای براساس الگوی موقعیت داده ها در صفحات HTML به عنوان مدل میانی ایجاد و سپس توسط خزنده تاپل های این شبه پایگاه داده رابطه ای از صفحات HTML بازیابی می شود و در ادامه آنتولوژی دامنه و نمونه های آن به کمک قوانین سیستم انتقال از این شبه پایگاه داده رابطه ای استخراج می شود. در روش پیسنهادی به دلیل استفاده از صفحات HTML مبتنی بر سیستم مدیریت محتوا، مشکلات ساخت آنتولوژی از روی صفحات HTML مانند تغییر دائمی صفحات، داده های نامرتبط و ساختار گوناگون صفحات HTML تا حد زیادی برطرف شده است. آنتولوژی دامنه اساتید رشته کامپیوتر دانشگاه های ایران توسط این روش استخراج شده است. دقت و صحت آنتولوژی استخراج شده به ترتیب توسط کارشناس دامنه و استدلالگر ++Fact ارزیابی شده و درنهایت پرس و جوهای معنایی به زبان SPARQL روی آن اعمال می شود. دقت و فراخوانی نتایج حاصل از پرس وجوها روی آنتولوژی استخراج شده، جامعیت قوانین سیستم انتقال، درکنار اجرایی بودن روش پیشنهادی، موفقیت روش پیشنهادی را تأیید می کند.

با ظهور معماری سرویس گرا، وب سرویس ها محبوبیت بسیاری یافتند. بعلت موجود بودن تعداد زیادی از وب سرویس ها، یافتن وب سرویس متناسب با نیازهای کاربر چالشی عظیم می باشد. این امر نیاز به برقراری یک فرایند مورد اعتماد و موثر کشف وب سرویس را تضمین می کند. امروزه تحقیقات بسیاری برای طراحی روش هایی به منظور افزایش میزان دقت کشف وب سرویس انجام می گیرد که بهترین سرویس را تطبیق نماید. نتایج فرایند کشف سرویس، سرویس هایی است که تا اندازه ای نیاز های کاربر را ارضا می نمایند. در نظر گرفتن رابطه معنایی میان کلمات استفاده شده در توصیف سرویس و همچنین پارامترهای ورودی و خروجی می تواند منجر به دقت در کشف وب سرویس شود. علاوه بر پارامترهای ورودی و خروجی، پارامترهای دیگری نیز در توصیف سرویس وجود دارند که استفاده از آنها منجر به بالا بردن دقت کشف وب سرویس ها می شود. این پارامترها پیش شرط و اثر نام دارند. این تحقیق الگوریتمی برای کشف وب سرویس معنایی براساس مقایسه میان پارامترهای ورودی، خروجی، پیش شرط، و اثر درخواست و سرویس، ارائه می دهد.در بیشتر روش های کشف وب سرویس، پنج درجه تطبیق در نظر گرفته می شود که عبارتند از : Exact، PlugIn، Subsume، Intersect، Fail. در الگوریتم حاضر به جای درجه Fail درجه تطبیق جدیدی به نام Substitute در نظرگرفته شده که سرویس جایگزین درخواست را ارائه می کند. همچنین در این الگوریتم برای تعیین میزان شباهت میان مفاهیم روشی بر مبنای درخت سلسله مراتب آنتولوژی در نظر گرفته شده که میزان دوری و نزدیکی مفاهیم به یکدیگر را تشخیص می دهد. الگوریتم ارائه شده از یک سیستم امتیاز دهی براساس میزان شباهت مفاهیم و ویژگی های آنها به یکدیگر استفاده می کند. این سیستم به هر یک از زوج مفاهیم که با یکدیگر مقایسه می شوند، براساس روش تعیین مشابهت ذکر شده، امتیازی نسبت داده و امتیاز نهایی سرویس را براساس میانگین امتیاز مفاهیم محاسبه می کند. امتیاز محاسبه شده برای هر سرویس همراه با درجه تطبیقی که برای سرویس محاسبه شده است به کاربر ارائه می شود.برای ارزیابی الگوریتم ارائه شده از مجموعه داده ای متشکل از 100 وب سرویس معنایی و 20 پرس و جو استفاده شده است. نتایج به سه معیار Precision/Recall، F1، و میانگین زمان پاسخ با سه الگوریتم کشف وب سرویس دیگر مقایسه شده اند. الگوریتم ارائه شده دارای دقت بالاتری از سه الگوریتم مورد مقایسه می باشد. اما از نظر میانگین زمان پاسخ با توجه به اینکه علاوه بر ورودی و خروجی، از مقایسه پیش شرط و اثر نیز برای کشف وب سرویس معنایی استفاده می کند، دارای میانگین زمان پاسخ بالاتری نسبت به دیگر الگوریتم های مورد مقایسه می باشد. در مجموع، دقت کشف وب سرویس معنایی با الگوریتم ارائه شده پیشرفت قابل ملاحظه ای را نسبت به روش های مرسوم کشف وب سرویس نشان می دهد.