ترکیب الگوریتمهای فیلتر در وب معنایی با استفاده از روشهای یادگیری ماشین

استفاده از اطلاعات از دیرباز برای بشر امروز امری ضروری و اجتناب ناپذیر بوده است. با گذشت زمان، ارزش اطلاعات و فواید استفاده از آن رفته رفته برای انسان نمایان تر شد به گونه ای که رقابت برای کسب اطلاعات و استفاده ی هرچه بیشتر از آن، یکی از تلاش های جدی بشر امروز است. اما امروزه با توجه به در دسترس بودن منابع عظیم اطلاعاتی در بستر اینترنت، چالش جدیدی پیش روی بشر در زمینه اطلاعات قرار گرفته است و آن همانا چگونگی استخراج اطلاعات مفید و مورد نیاز از بین انبوه اطلاعات عمدتا غیرمفید است. پاسخ طبیعی به این نیاز، موتورهای جستجو بودند که نسل اول آنها صرفا برمبنای شباهت های لغوی عمل می کردند. به تدریج و با گسترش وب و درنتیجه پیچیده تر شدن موضوع، روش های جستجو و استخراج اطلاعات برمبنای شباهت های معنایی شکل گرفتند که منجر به ظهور سیستم های فیلتر وب شدند. این سیستم ها با دریافت تعدادی کلمه کلیدی، که نماینده ی مفاهیم مورد نظر کاربرند، مجموعه ای از صفحات وب را به دو دسته ی مرتبط و نامرتبط با تمایلات کاربر تقسیم می کنند. با پیچیدگی فزاینده این حوزه، حرکت به سمت ایده ترکیب روش های فیلتر شکل گرفته، اما چنانچه این ایده به درستی به کار گرفته نشود حتی می تواند از روش های پایه نیز ضعیف تر عمل نماید. این مقاله به این موضوع می پردازد و درنهایت روش مناسبی از ترکیب الگوریتم های فیلتر ارائه می دهد. برتری نتایج نسبت به روش های پایه، صحت روش ترکیب پیشنهادی را تایید می نماید. در روش ترکیبی پیشنهادی از الگوریتم های یادگیری ماشین استفاده شده است.