نمایه‌سازی ماشینی مدارک حوزه بازیابی اطلاعات با استفاده از متن‌کاوی در نرم‌افزار رپیدماینر

سازگاری کدهای رده بندی و اصطلاحات نمایه سازی از یک اصطلاح نامه مدون با عبارات و کلماتی که به طور خودکار استخراج شده، با استفاده از نمایه سازی ماشینی ایجاد می شود. در طراحی نظام نمایه سازی خودکار، کامپیوتر به طور کامل جایگزین انسان می شود. این پژوهش با هدف استخراج کلمات کلیدی و شناسایی گرایش های موضوعی مقالات نمونه آماری در حوزه بازیابی اطلاعات و تخصص موضوعی نویسنده هر مقاله با روش متن کاوی و دسته بندی آن ها با استفاده از هم رخدادی واژگان صورت گرفته است. روش این پژوهش از نوع کاربردی است و بر اساس مدل »کریسپ « از مدل های فرایند داده کاوی و الگوریتم های متن کاوی انجام گرفته است. جامعه پژوهش، 313 مقاله حوزه بازیابی اطلاعات نمایه‌شده در »پایگاه نورمگز « است. پس از نرمال سازی متن مقالات با نرم افزار ویراستیار، طی متن کاوی مقالات با نسخه 7.1 نرم افزار »رپیدماینر «، واژگان کلیدی از طریق محاسبه وزن آن ها استخراج و داده ها با استفاده از دو الگوریتم کلاسیک دسته بندی یعنی »کی ان ان « و »نایو بیز « تجزیه و تحلیل شدند. در پژوهش حاضر، کامپیوتر با کمک ابزارهای متن کاوی نرم افزار »رپیدماینر «، متن ماشین خوان را با استفاده از بسامد واژه ها به طور خودکار نمایه سازی کرده است. بدین منظور، با کمک عملگرهای »انگرام « و محاسبه وزن کلمات بر اساس روش »تی افآی دی اف «، اصطلاحات و مفاهیم کلیدی و تخصص موضوعی نویسنده هر مقاله در قالب 16 دسته بندی استخراج شده است. سرانجام، برتری مدل »کی ان ان « در دسته بندی موضوعات هسته مقالات این پژوهش با دقت 85 درصدی نسبت به مدل »نایو بیز « تایید شد. مشاهده نتایج محاسبه دقت های ماخوذه از مدل ها، گواه کارایی قابل قبول نرم افزار »رپیدماینر « در نمایه سازی ماشینی متون است. نمایه سازی متون با استفاده از این روش می تواند به بهبود نتایج بازیابی اطلاعات و جلوگیری از ریزش کاذب اطلاعات در پایگاه های اطلاعاتی کمک کند.

Machine Indexing of Documents in the Field of Information Retrieval Using Text Mining in the RapidMiner Software

Machine indexing Provides compatibility between classification codes and indexing terms, extracted expressions and words automatically from a Compiled thesaurus.. In designing an autoindexing system, computer completely replaces humans. The purpose of this research was to identifying and extracting keywords and the subject trends of articles in the field of information retrieval and the subject rsquo;s specificity of the author of each article by using the text mining and categorizing (classifying) with the help of concurrence vocabularies. The method of this research is applied and based on the CRISP model of data mining and text mining algorithms are used. The research population consists of 313 articles in the field of information retrieval indexed in the Normmags database. After normalizing the text of the articles by the Virastyar software, and after text mining of the articles by version 7.1 of the RapidMiner software, the keywords were extracted by calculating their weight and were analyzed using two classical classification algorithms consisting of KNN and Na iuml;ve Bayse.In this study, the computer automatically indexed the readable machine text by using the frequency of the words with the help of the text mining tools of RapidMiner software. For this purpose, we use Ngram operators and calculate the weight of the words according to TFIDF method. Terms and key concepts and subject and specialization of author of each article are extracted in the form of 16 categories. Finally, the superiority of the KNN model in categorization of the core subjects of the papers, this study is proving to be 85% more accurate than the Na iuml;ve bayse model. Finding the results of calculating the accuracy of the models indicate the acceptable performance of the RapidMiner software in machine indexing of texts. Indexing texts by using this method can help improve the results of information retrieval and prevent false dropping of information in databases.