شبیه سازی آموزشی ترکیب بهینه سازی گرگ خاکستری با الگوریتم بهینه سازی ملخ برای خوشه بندی با متلب

چکیده مقاله (ترجمه ماشینی)

تجزیه و تحلیل متن در زمینه متن کاوی به تکنیک های پیچیده ای برای مدیریت چندین سند متنی نیاز دارد. خوشه بندی متن یکی از موثرترین تاکتیک ها در زمینه متن کاوی، استخدام ماشین و تشخیص الگو است. رایانه ها می توانند با استفاده از روش خوشه بندی متن معقول، سازماندهی یک سند پیکره را در ساختار سازمانی خاصی از خوشه های مفهومی شروع کنند. عملکردهای اطلاعاتی و غیر اطلاعاتی اسناد متنی حاوی ویژگی های نویز، بی اهمیت و اضافی است. روش اصلی برای یافتن زیرمجموعه جدیدی از دستاوردهای اطلاعاتی برای هر سند، انتخاب بدون نظارت ویژگی های متن است. تکنیک انتخاب عملکردی دو هدف دارد: (1) به حداکثر رساندن قابلیت اطمینان الگوریتم خوشه بندی متن، (2) به حداقل رساندن تعداد صفات غیر اطلاعاتی. روش پیشنهادی این است که نرخ همگرایی بالغ را تولید می‌کند و به حداقل زمان محاسباتی نیاز دارد و در حداقل‌های محلی در فضای کم ابعاد به دام می‌افتد. داده های متنی به عنوان ورودی و مراحل پیش پردازش در سند تغذیه می شوند. سپس، انتخاب ویژگی متن با انتخاب بهینه محلی از سند متنی و سپس انتخاب بهترین بهینه سراسری از بهینه محلی با استفاده از ترکیبی GWO-GOA پردازش می‌شود. علاوه بر این، بهینه های انتخاب شده با استفاده از الگوریتم خوشه بندی فازی c-means (FCM) خوشه بندی می شوند. این الگوریتم قابلیت اطمینان را بهبود می بخشد و هزینه زمان محاسباتی را به حداقل می رساند. هشت مجموعه داده در الگوریتم پیشنهادی استفاده شده است و عملکرد به طور موثر پیش بینی شده است. معیارهای ارزیابی مورد استفاده برای انتخاب ویژگی متن و خوشه بندی متن عبارتند از: دقت، دقت، یادآوری، اندازه گیری F، حساسیت، ویژگی و نشان دادن کیفیت بهتر در مقایسه با الگوریتم های مختلف دیگر. هنگام مقایسه با GWO، GOA و الگوریتم هیبریدی GWO-GOA پیشنهادی، روش پیشنهادی 87.6٪ از کارایی را نشان می دهد.

 

وب سایت ها و سایر پیاده سازی های رایانه ای حجم زیادی از اطلاعات متنی را ارائه می دهند. از نظر استفاده کارآمد از جزئیات، اطلاعات متنی باید به دلیل استفاده روزافزون از آن برنامه ها تقسیم شود. رونوشت ها بر اساس منشأ خود دسته بندی می شوند و حجم قابل توجهی از اطلاعات به عنوان متن در این اسناد دیجیتال ذخیره می شود [1]. استراتژی های خوشه بندی متن به طور گسترده برای دسته بندی اطلاعات متنی استفاده می شود. خوشه های متن با پیاده سازی هایی مانند متن کاوی، بازیابی اطلاعات متن و طبقه بندی متن استفاده می شوند. در تمام حوزه‌های متن کاوی و در حوزه خوشه‌بندی اسناد متنی، این ماده مانعی برای تکنیک‌های تحلیل متن است [2]. برای فرآیند خوشه بندی متن، نمونه برداری از ویژگی های متن ضروری است. اطلاعات متنی حاوی ویژگی های آموزنده و غیر اطلاعاتی است. این ویژگی‌های غیراطلاع‌دهنده توسط الگوریتم‌ها و استراتژی‌های طبقه‌بندی، قابلیت اطمینان آن را مخدوش کرده و به حداقل می‌رسانند. هدف اصلی فرآیند انتخاب تابع حذف توابع غیر اطلاع رسانی و انتخاب اطلاعات است. تکنیک‌های مبتنی بر وزن برای انتخاب عملکردها در سال‌های بعد استفاده می‌شوند. این دسته بندی های مشخصه متن بر کارایی و عملکرد رویه های خوشه بندی که در آنها عملکرد غیر اطلاعاتی نامناسب، نامربوط و پر سر و صدا است، تأثیر می گذارد [3]. بنابراین ایجاد یک رویکرد موثر برای شناسایی ویژگی ها مهم است. چندین استراتژی برای در دسترس بودن ویژگی ها استفاده می شود، از جمله روش های تعبیه شده، روش های بسته بندی و روش های فیلتر. روش wrapper هر زیرمجموعه ای از اجزای مدل آموزشی را بررسی می کند و بهترین زیرمجموعه عملکرد را تشخیص می دهد. برای انجام وظایف طبقه‌بندی یا خوشه‌بندی و انتخاب ساده ویژگی‌ها، روش فیلتر ابتدا ویژگی‌های استاندارد همه ویژگی‌ها را با استفاده از معیارهای خاص تجزیه و تحلیل انتخاب می‌کند. برای یافتن بهترین زیربخش ویژگی، روش wrapper از یک مدل آموزشی به طور مستقیم برای تعیین هر زیر مجموعه ویژگی به عنوان نتایج انتخاب استفاده می کند [4].

 

پروژه آموزشی طبق بندهای مقاله پیاده سازی شده است. در داخل پوشه ارسالی کد Main را اجرا کنید. جواب ها در متلب 2019 تست شده اند.

توضیحات کد Main.m بصورت زیر می باشد:

%% Initialisation

clc

fclose all;

close all;

clear all;

format short

warning off

آماده سازی متلب برای شروع به کار

 

addpath(genpath(cd))

javaaddpath(‘./Tools/WekaTools/weka.jar’);

 

برای خواندن فایلهای دیتابیس که شما ارسال کردید، نیاز به یک تولباکس هست که من اون رو از نرم افزار Weka گرفتم. در اینجا به متلب اضافه خواهد شد. توجه کنید که یکی از فایل ارسالی شما را که حجم کمتری داشت، بنده در پوشه Datetbase قرار دادم و از آن استفاده نمودم. فایل های دیگر را هم میتوانید بصورت تک تک در این پوشه قرار دهید و نتایج را تست کنید. ولی بخاطر داشته باشید که متلب نرم افزار ماتریسی است و بر خلاف Weka که تحت جاوا کار میکند، بسیار حجم حافظه را اشغال خواهد نمود. من حافظه را تا انجا که ممکن بود مدیریت کردم که رم کم نیارید.

fid=fopen(‘Results.txt’,’w’);fclose(fid);

یک فایل نهایی برای ذخیره نتایج می سازیم که در پایان هم مقادیر نتایج را در آن سیو میکنیم. نام آن فایل Result.txt می باشد و با هر بار اجرای  این کد از ابتدا نوشته میشود.

 

%%

% 3. Proposed methodology

% 3.1. Pre-processing of text documents

 

% Extract contents of Termweighting zip file

dirSet=dir(‘./Database’);

exampleFiles = unzip(dirSet(3,1).name);

 در اینجا فایلی که در دیتابیس قرار دارد را  آن-زیپ میکنیم. توجه کنید که رفرنس مقاله برای دیتابیس قابل دسترسی نبود.

 

اگر فایل Results.txt را در متلب باز کنید فایلی شبیه به فایل زیر میبینید. در این فایل نتایج به ترتیب برای تعداد فایل های مختلف نشان داده شده است. این معیارها شامل، تعداد فایل ها، زمان مصرفی، تعداد کل ویژگی ها، تعداد ویژگی های انتخاب شده  توسط الگوریتم جدید، دقت، حساسیت، اسپسیفیتی، پرسیژن، ریکال و معیار F را نشان میدهد. توجه کنید که شاخص مموری اشغال شده را بخاطر مجبور شدن به مدیریت حافظه در متلب، نتوانسته ایم بیان کنیم.  همچنین، جدای از نتایج بهتر در دقت نهایی، تفاوت هایی بین نتایج ما و مقاله وجود دارد که بعلت رندم بودن ذات اینکار، احتمالا تفاوت در دیتابیس و نوع کلاسیفایر ما بوده است. سعی شده نتایج را بهبود هم بدهیم. مقاله در بسیاری موارد شامل جملات مبهم یا غیر تعریف شده ای بود که با سعی  و خطا تلاش شده بهترین تیجه را بدست بیاوریم.