9627

طراحي يك شبكه عصبي سلسله مراتبي براي طبقه بندي متون علمي

كارشناسي

مهندسي برق- گرايش الكترونيك

1403

دكتر هادي شهريار شاه حسيني

----------

1404/01/16

دانشكده مهندسي برق

Designing a Hierarchical Deep Learning Model to Classify Scientific Texts

هدف اين تحقيق ايجاد يك طبقهبندي متن بسيار دقيق است كه متون آكادميك را در زمينههاي موضوعي خاص دستهبندي ميكند. اين روش جديد، فرآيند پرهزينه طبقه بندي اطلاعات آكادميك را با ارائه يك ابزار خودكار مفيد ساده مي كند. پژوهش ما بر طبقهبندي سلسله مراتبي حوزههاي مختلف علمي بر اساس تعاريف Web Of Sienceمتمركز است و هدف آن ارائه مدلهاي يادگيري عميق سلسله مراتبي است كه ميتواند با تكيه بر تكنيكهاي مختلف تعبيه كلمات و اسناد، طبقهبندي بهتري ارائه دهد. با كمك الگوريتم تنظيم هايپرباند، ما پارامترها را براي مدلهاي مختلف يادگيري عميق پيشنهادي، از جمله شبكه عصبي كانولوشن ( ،)CNNشبكه عصبي عميق ( )DNNو شبكه عصبي تكراري ( )RNNتنظيم ميكنيم. ارزيابي شامل يك ماتريس به هم ريختگي سلسله مراتبي منحصر به فرد است كه بينش هايي را در مورد ساختارهاي مدل ارائه مي دهد. اين رويكرد دقت در سطوح پايين تر در سلسله مراتب را بهينه مي كند در حالي كه به طور همزمان اندازه كلي مدل را كاهش مي دهد. قابل ذكر است كه تركيب CNNدر سطح اوليه و DNNدر سطح ثانويه مدل بهينه را با امتياز F1-Scoreقابل توجه ٪94.29و دقت ٪99.33مي دهد. در حالي كه افت دقت حاشيه اي با طراحي RNNمشاهده مي شود، كارايي آن در كاهش حجم قابل توجه است. اين يافتهها به طور قابلتوجهي به پيشرفت تكنيكهاي طبقهبندي سلسله مراتبي كمك ميكنند و سازمانها و مؤسسات تحقيقاتي را با ابزارهاي قدرتمندي براي تصميمگيري دقيق در علمسنجي كه شامل مطالعه كمي علم، تحقيقات علمي و انتشارات علمي است، ارائه ميكند.

طبقه بندي متن سلسله مراتبي،الگوريتم تنظيم هايپرباند، سطح كلمه، سطح سند، شبكه هاي عصبي