ارائه یک معماری عامل گرا برای کاوش معنایی از داده‌های بزرگ مقیاس در محیط های توزیع شده

داده های بزرگ مقیاس، متشکل از داده های حجیم، توزیع شده، پراکنده، ناهمگون و ترکیبی از داده های نامتجانس، بی ربط، گمراه کننده، واقعی و غیر واقعی است. بنابراین تجزیه و تحلیل، ایجاد ارزش و بهره وری از داده ها، همواره چالشی مهم و باز محسوب می شود. بنابراین هدف این پژوهش ارائه یک معماری ائتلافی جدید برای تولید اطلاعات با ارزش برای تصمیم‌ گیری از میان انبوه داده ها است. معماری پیشنهادی که به اختصار asmlde  نامیده می شود، با هدف توسعه و بهبود داده کاوی، کاوش معنایی و تولید قواعد سودمند و با کیفیت از چهار لایه، هفت مولفه و شش عامل اصلی تشکیل می شود. در معماری پیشنهادی برای جمع‌آوری و استانداردسازی پردازش‌های کیفی و تفسیرهای پیچیده‌تر، از مفهوم‌سازی با فرآیند v ’s4،  بینش از حجم و مقیاس داده‌ها در قالب مدل v’s3 و درنهایت بینش کیفی مبتنی بر ضخامت داده‌ها استفاده‌ شده است. این معماری با حمایت هستان شناسی و عامل کاوی، فضاهای بزرگ کاوش را کوچک‌تر و سرعت و کیفیت عملیات داده کاوی را به دلیل به‌کارگیری سامانه های چند عاملی افزایش می دهد. خودکار سازی عملیات کاوش، کاهش پیچیدگی داده ها و فرآیندهای کسب‌وکار نیز از مهم‌ترین دستاوردهای معماری پیشنهادی است. به‌منظور ارزیابی معماری پیشنهادی، مجموعه داده ای بزرگ مقیاس از دامنه حوادث طبیعی و کلاس هستان‌شناسی زمین لرزه از پایگاه دانش dbpedia مورد استفاده قرار گرفته است. نتایج ارزیابی که حاصل از کاوش قواعد معنایی روی مجموعه داده ای ذکر شده است، اثربخشی و  قابلیت های معماری asmlde را در افزایش کیفیت قواعد معنایی کاوش شده متناسب با نیاز کاربر و کوچک‌تر کردن فضای بزرگ داده کاوی نسبت به سایر چارچوب ها و معماری های مشابه نشان می‌دهد.

Providing an AgentBased Architecture for Semantic Mining From LargeScale Data in Distributed Environments

Largescale data may consist of big, distributed, scattered, heterogeneous, irrelevant, misleading, real, and unrealistic data or any combination of them. Therefore, analyzing, creating value and data productivity is always an        important and open challenge. Therefore, the purpose of this study is to present a new coalition architecture for      generating valuable information for decision making among the masses of data. The proposed architecture,             abbreviated ASMLDE, aims to develop and improve data mining and semantic exploration, and to produce useful and highquality rules consisting of four layers, seven components and six key elements. In the proposed architecture,   conceptualization with 4v’s process, insight into the volume and scale of data in the form of 3v’s model and finally qualitative insight based on data thickness, are used for conceptualization and standardization of qualitative processes and more complex interpretations. This architecture, supported by ontology and agent mining, reduces large search spaces and increases the speed and quality of data mining operations due to the use of multiagent systems.             Automating exploration operations, reducing data complexity and business processes are also important achievements of the proposed architecture. To evaluate the proposed architecture, a largescale dataset of natural disasters and earthquake ontology classes from the DBpedia knowledge base have been used. The evaluation results obtained by exploring the semantic rules of the mentioned dataset highlight the effectiveness and capabilities of the ASMLDE        architecture in enhancing the quality of the semantic rules explored to fit the user need and reducing the large data mining space over other similar frameworks and architectures.