طراحي سامانه هوشمند ساخت هستان‌نگار به‌كمك شبكه عصبي ARTو روشC-value

An Intelligent Ontology Construction System Using Hybrid ART Neural Network and C-value Method

در سال‌هاي اخير تلاش‌هاي زيادي براي طراحي روش‌هاي يادگيري و خودكار‌سازي فرآيند ساخت هستان‌نگار انجام شده است. ساخت انواع هستان‌نگار براي انواع قلمروها و كاربردهاي گوناگون فرآيندي پرهزينه و زمان‌بر بوده و خودكارسازي اين فرآيند گامي مهم در رفع مشكل اكتساب دانش در سامانه‌هاي اطّلاعاتي و كاهش هزينه ساخت آنهاست. در اين مقاله روشي نوين براي يادگيري هوشمند هستان‌نگار ارايه شده كه مي‌توان از آن در كاربردها و حوزه‌هاي مختلف استفاده كرد. در اين روش نيازي به وجود هستان‌نگارهاي عمومي يا تخصصي اوليه و واژگان معنايي از پيش تعريف شده نيست و پايگاه دانش اوليه آن، تنها شامل مجموعه‌اي از متون ورودي است. سامانه يادگيرنده پيشنهادي با شروع از متون ورودي و با استفاده از رهيافت پيشنهادي در اين مقاله قادر خواهد بود هستان‌نگار حوزه‌هاي مختلف را استخراج كند. در اين روش از تركيبي از روش‌هاي زباني، آماري و روش‌هاي يادگيري ماشيني بر اساس روش C-value،TF-IDF، شبكه عصبي نظريه تشديد وفقي و روش تحليل هم‌رخدادي استفاده شده است؛ بدين ترتيب كه ابتدا اسناد مرتبط با حوزه مورد نظر گردآوري شده و سپس پردازش‌هاي متون زبان طبيعي روي اسناد انجام شده و واژه‌هاي اصلي با استفاده از روش C-value استخراج شده است، آنگاه با استفاده از شبكه عصبي ART اسناد مربوطه خوشه‌‌بندي شده و براي هر خوشه با محاسبه وزن واژه‌ها بر اساس روش TF-IDF، واژه كليدي مناسب استخراج شده است. در پايان با استفاده از روش تحليل هم‌رخدادي، سلسله‌مراتب مفاهيم استخراج‌شده و هستان‌نگار مربوطه ساخته شده است. نتايج حاصل‌شده نشان ميدهند كه اين روش در مقايسه با روش‌هاي مشابه، دقت خوبي در يادگيري هستان‌نگار داشته است.

In recent years, many efforts have been done to design ontology learning methods and automate ontology construction process. The ontology construction process is a time-consuming and costly procedure for almost all domains/applications, so automating this process is a solution to overcome the knowledge acquisition bottleneck in information systems and reduce the construction cost. In this article a novel intelligent ontology learning method is proposed which can be used in many domains and applications. The proposed learning system has no need for initial common or specialized input ontologies or predefined semantic terms; indeed, the initial database anonly consists of input texts sets. The proposed learning system could extract associated ontologies of various domains using combined methods. To do this, a combination of linguistic, statisticaland machine learning methods based on the C-value method, the TF-IDF one, the neural network, and co occurance analysis are applied. So, first domain-related documents were collected. Then natural language processing methods such as C-value method were implemented for extracting meaningful terms from documents. Next, ART (Adaptive Resonance Theory) neural network was used to cluster documents and associated weight of terms was calculated by TF–IDF method in order to find candidate keyword for each cluster. Finally, co-occurrence analysis was used to construct concept hierarchy and complete the ontology. Results show that the proposed ontology learning method has a high precision comparing to similar studies.