مدل جدید پیشنهادگر فرد خبره با استفاده از ماتریس همبستگی کلمات

با توجه به حجم عظیم اطلاعات بدون ساختار داخل سازمانها و همچنین در وب، یافتن پاسخی به نیاز دانشی در زمان اندک، دشوار می‌باشد. به این منظور علاوه بر موتورهای جستجو که در آنها ویژگیهای فردی کاربران در نظر گرفته نمی‌شوند، سیستمهای پیشنهادگر بوجود آمده‌اند که بر اساس رفتارهای پیشین کاربران سعی در کمک به دسترسی به دانش مورد نیاز آنها دارند. استفاده از این سیستمها در وب‌سایتها و شبکه‌های اجتماعی در حال گسترش است. سیستمهای پیشنهادگر خبره نیز با پیشنهاد افراد خبره‌ی دارای دانش به جای ارائه اطلاعات، این امکان را فراهم کرده‌اند تا کاربران سئوال‌های خود را از افراد خبره بپرسند. ارتباط با متخصصان باعث می‌شود که علاوه بر انتقال مطلب، با انتقال تجارب و دانسته‌ها، بینش و فهم در مورد موضوع منتقل شود. ما در این مقاله، از رزومههای اساتید دانشگاه به عنوان پروفایل افراد خبره استفاده کرده و مدل پیشنهادگر خبره‌ی جدیدی ارائه کرده‌ایم که پرسش کاربر را دریافت کرده و افراد خبره را در زمینه‌ی این پرسش پیشنهاد می‌کند. ما با ترکیب ماتریس همبستگی کلمات، مدل فضای برداری و الگوریتم پیجرنک مدلی ارائه کرده‌ایم که در مقایسه با روش‌های مرجع دقت بالاتری در شناخت افراد خبره دارد. این مدل در سیستمهای دانشگاهی، داخل سازمانی و همچنین در محیط وب که متخصصان دارای اطلاعات رزومه باشند کاربرد دارد.

A new Expert Finding model based on Term Correlation Matrix

Due to the enormous volume of unstructured information available on the Web and inside organization, finding an answer to the knowledge need in a short time is difficult. For this reason, beside Search Engines which don’t consider users individual characteristics, Recommender systems were created which use user’s previous activities and other individual characteristics to help users find needed knowledge. Recommender systems usage is increasing every day. Expert finder systems also by introducing expert people instead of recommending information to users have provided this facility for users to ask their questions form experts. Having relation with experts not only causes information transition, but also with transferring experiences and inception causes knowledge transition. In this paper we used university professors academic resume as expert people profile and then proposed a new expert finding model that recommends experts to users query. We used Term Correlation Matrix, Vector Space Model and PageRank algorithm and proposed a new hybrid model which outperforms conventional methods. This model can be used in internet environment, organizations and universities that experts have resume dataset.