ارایه روش رتبه بندی مستقل از پرسش به صورت مقیاس پذیر

حجم بالا و رو به رشد داده های پیوندی منتشر شده در وب، بر اهمیت موتورهای جستجوی وب معنایی برای بازیابی اطلاعات مورد نیاز کاربران افزوده است. کاربران معمولا از بین نتایج بازگردانده شده، تنها چند نتیجه ی اول مورد بررسی قرار می دهند. لذا، ترتیب نمایش نتایج و انتخاب الگوریتم رتبه بندی مناسب، تاثیر زیادی در رضایت کاربران از موتور جستجو دارد. با توجه به گسترش حجم داده های معنایی، مقیاس پذیر بودن تنیک های بکار رفته در موتورهای جستجو معنایی از جمله رتبه بندی یک امر ضروری به شمار می-آید. مدل برنامه نویسی نگاشت-کاهش جهت پردازش مجموعه داده های بزرگ در فضای توزیعی بکار می رود. در این مقاله، با استفاده از مدل برنامه نویسی نگاشت-کاهش، میزان ارزشمند بودن هر پاسخ را بر اساس ترکیب رتبه های محبوبیت و مرتبط بودن اندازه گیری می شود. رتبه محبوبیت از طریق تعمیم الگوریتم رتبه بندی PageRank روی گراف دو لایه از منابع داده و اسناد معنایی و تخصیص خودکار وزن به پیوندهای معنایی مختلف، محاسبه می شود. رتبه مرتبط بودن، از طریق تحلیل محتوای اسناد معنایی و پرسش های SPAQL اندازه گیری می شود. نتایج حاصل از ارزیابی نشان می دهد که استفاده از مدل برنامه نویسی نگاشت-کاهش باعث بهبود کارایی و سرعت رتبه بندی می شود.