fa طراحی سامانه هوشمند ساخت هستان نگار به کمک شبکه عصبی ARTو روشC-value مقالات پردازش متن Paper پژوهشي Research در سالهای اخیر تلاشهای زیادی برای طراحی روشهای یادگیری و خودکار سازی فرایند ساخت هستان نگار انجام شده است. ساخت انواع هستان نگار برای انواع قلمروها و کاربردهای گوناگون فرایندی پرهزینه و زمان بر بوده و خودکارسازی این فرایند گامی مهمی در رفع مشکل اکتساب دانش در سامانه‍‌های اطلاعاتی و کاهش هزینه ساخت آنها است. در این مقاله روش نوینی برای یادگیری هوشمند هستان نگار ارائه شده که می توان از آن در کاربردها و حوزه‌های مختلف استفاده کرد. در این روش نیازی به وجود هستان نگارهای عمومی یا تخصصی اولیه و واژگان معنایی از پیش تعریف شده نیست و پایگاه دانش اولیه آن تنها شامل مجموعه‌ای از متون ورودی است. سامانه یادگیرنده پیشنهادی با شروع از متون ورودی و با استفاده از رهیافت پیشنهادی در این مقاله قادر خواهد بود هستان نگار حوزه‌های مختلف را استخراج کند. در این روش از ترکیبی از روشهای زبانی، آماری و روشهای یادگیری ماشینی بر اساس روش C-value،TF-IDF، شبکه عصبی نظریه تشدید وفقی و روش تحلیل هم رخدادی استفاده شده است؛ بدین ترتیب که ابتدا اسناد مرتبط با حوزه مورد نظر گردآوری شده است. سپس پردازشهای متون زبان طبیعی روی اسناد انجام شده و واژه‌های اصلی با استفاده از روش C-value استخراج شده است، آنگاه با استفاده از شبکه عصبی ART اسناد مربوطه خوشه‌ بندی شده و برای هر خوشه با محاسبه وزن واژه‌ها بر اساس روش TF-IDF، واژه کلیدی مناسب استخراج شده است. در پایان با استفاده از روش تحلیل هم رخدادی، سلسله مراتب مفاهیم استخراج شده و هستان نگار مربوطه ساخته شده است. نتایج حاصل شده نشان میدهند که این روش در مقایسه با روشهای مشابه دقت خوبی در یادگیری هستان نگار 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 هستان نگار، یادگیری، شبکه عصبی ART، فراوانی واژه‌ها-معکوس فراوانی اسناد (TF-IDF)، C-value Ontology, ART Neural Network, TF-IDF, C-value 23 36 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-195-2&slc_lang=fa&sid=1 غلامعلی منتظر montazer@modares.ac.ir 1003194753284600480 1003194753284600480 Yes Maryam Hourali مریم حورعلی houralimodares.ac.ir 1003194753284600481 1003194753284600481 No تربیت مدر‌ّس