ارائه يك معماري عامل گرا براي كاوش معنايي از داده‌هاي بزرگ مقياس در محيط هاي توزيع شده

داده هاي بزرگ مقياس، متشكل از داده هاي حجيم، توزيع شده، پراكنده، ناهمگون و تركيبي از داده هاي نامتجانس، بي ربط، گمراه كننده، واقعي و غير واقعي است. بنابراين تجزيه و تحليل، ايجاد ارزش و بهره وري از داده ها، همواره چالشي مهم و باز محسوب مي شود. بنابراين هدف اين پژوهش ارائه يك معماري ائتلافي جديد براي توليد اطلاعات با ارزش براي تصميم‌ گيري از ميان انبوه داده ها است. معماري پيشنهادي كه به اختصار ASMLDE  ناميده مي شود، با هدف توسعه و بهبود داده كاوي، كاوش معنايي و توليد قواعد سودمند و با كيفيت از چهار لايه، هفت مؤلفه و شش عامل اصلي تشكيل مي شود. در معماري پيشنهادي براي جمع‌آوري و استانداردسازي پردازش‌هاي كيفي و تفسيرهاي پيچيده‌تر، از مفهوم‌سازي با فرآيند v ’s4،  بينش از حجم و مقياس داده‌ها در قالب مدل V’s3 و درنهايت بينش كيفي مبتني بر ضخامت داده‌ها استفاده‌ شده است. اين معماري با حمايت هستان شناسي و عامل كاوي، فضاهاي بزرگ كاوش را كوچك‌تر و سرعت و كيفيت عمليات داده كاوي را به دليل به‌كارگيري سامانه هاي چند عاملي افزايش مي دهد. خودكار سازي عمليات كاوش، كاهش پيچيدگي داده ها و فرآيندهاي كسب‌وكار نيز از مهم‌ترين دستاوردهاي معماري پيشنهادي است. به‌منظور ارزيابي معماري پيشنهادي، مجموعه داده اي بزرگ مقياس از دامنه حوادث طبيعي و كلاس هستان‌شناسي زمين لرزه از پايگاه دانش DBpedia مورد استفاده قرار گرفته است. نتايج ارزيابي كه حاصل از كاوش قواعد معنايي روي مجموعه داده اي ذكر شده است، اثربخشي و  قابليت هاي معماري ASMLDE را در افزايش كيفيت قواعد معنايي كاوش شده متناسب با نياز كاربر و كوچك‌تر كردن فضاي بزرگ داده كاوي نسبت به ساير چارچوب ها و معماري هاي مشابه نشان مي‌دهد.