CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

بهینه سازی چند هدفه انتخاب ویژگی در مسئله نظر کاوی بر اساس الگوریتم ژنتیک سلسله مراتبی

عنوان مقاله: بهینه سازی چند هدفه انتخاب ویژگی در مسئله نظر کاوی بر اساس الگوریتم ژنتیک سلسله مراتبی
شناسه ملی مقاله: NCOEI01_157
منتشر شده در اولین کنفرانس مهندسی و فن آوری در سال 1399
مشخصات نویسندگان مقاله:

مریم شاه ولی - دانش آموخته کارشناسی ارشد گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران
مهرداد جلالی - استادیار،گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران
محمدحسین معطر - استادیارگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران

خلاصه مقاله:
در راستای افزایش خریداران آنلاین، شرکتهای تولید کننده محصولات و خدمات، در وبسایت ها و وبلاگهای خود اتاق های گفتگویی را تعبیه نموده اند که امکان به اشتراک گذاری نظرات کاربران را دارا می باشد. این سیستم که به تحلیل خودکار نظرات و دیدگاه های افراد پرداخته و آنها را طبقه بندی می نماید، نظر کاوی نامیده می شود. بسیاری مشکلات طبقه بندی دنیای واقعی توسط سطح بالایی از پیچیدگی به وجود آمده است و بدون استفاده از سیستم های دقیق و بسیار ساز گار، روش های کلاسیک معمولا به خطا منتهی خواهند شد. بنابراین، عملکرد مطلوب یک طبقه بندی کننده بسیار وابسته به ویژگی های انتخاب شده از مجموعه ویژگی های موجود است. در راستای نمایش بهتر نظرات طبقه بندی شده، پیدا کردن کوچکترین زیر مجموعه از ویژگی های ورودی با بیشترین اطلاعات جداکننده از کل مجموعه داده ها موردنیاز است. این کار باعث کاهش تعداد ویژگی های استخراج شده از متن می شود تا بار معنایی بیشتر و سرعت و دقت الگوریتم طبقه بند افزایش یابد. در همین راستا سیستم انتخاب ویژگی بر اساس الگوریتم ژنتیک (GA) با استفاده از الگوریتم مورچگان (ACO و پس از تایید الگوریتم تبرید (SA) در راستای جلوگیری از مشکل بهینگی محلی، به صورت ترکیبی با مقادیر حقیقی استفاده خواهد شد. دقت این الگوریتم در شبیه سازی ۸۸٪ درصد است که در قیاس با تکنیکهای گذشته، عملکردی مطلوب می باشد.

کلمات کلیدی:
نظرکاوی، انتخاب ویژگی، الگوریتم ژنتیک، الگوریتم مورچگان، الگوریتم تبرید

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1217853/