Signal and Data Processing

fa توصیه برچسب در شبکه‌های اجتماعی با کمک خلاصه‌سازی متن و k-نزدیک‌ترین همسایه Tag recommendation in social networks with the help of text summarization and KNN مقالات پردازش متن Paper پژوهشي Research امروزه استفاده از شبکه‌های اجتماعی به میزان فزاینده‌ای افزایش ‌یافته‌است. یکی از مهم‌ترین مسائل در این فضا بالابردن میزان بازدید پست یا پیام افراد است و بهترین عاملی که می‌تواند در این امر کمک کند برچسب‌ها<a href="#_ftn1" name="_ftnref1" title="">[1]</a> هستند. برچسب‌ها به طور گستردهای در نظم‌دهی و جست‌وجو در میان داده‌های عظیم موجود نقش دارند، در حال حاضر ایجاد برچسب به‌صورت خودکار به‌شدت مورد توجه قرار گرفته‌است. در این مقاله سعی شده‌است تا با کمک خلاصه‌سازی متن، از روی داده‌ها، یک‌سری واژه‌های کلیدی پیشنهادی ایجاد کرد و با کمک آن یک پیشنهاددهنده برچسب ارائه کرد؛ بنابراین این مقاله با ترکیب روش‌های خوشه‌بندی، خلاصه‌سازی و توصیه پیشنهاد راهکار جدیدی ارائه داده‌است. در روش پیشنهادی با کمک مدل مخزن واژه‌های (<a href="#_ftn2" name="_ftnref2" title="">[2]</a>BoW)، تحلیل معنایی آشکار (<a href="#_ftn3" name="_ftnref3" title="">[3]</a>ESA) و ترکیب آن‌ها با الگوریتم k-نزدیکترین همسایه (K-NN)، یک‌سری برچسب پیشنهادی برای شبکه‌های اجتماعی تهیه شده‌است؛ به این صورت که ابتدا با کمک مدل مخزن واژه‌ها، لغت‌نامه‌ای از واژه‌ها ایجاد می‌شود. سپس با کمک الگوریتم k-نزدیکترین همسایه ترکیب‌شده با ESA خوشه‌بندی صحیح و قوی از واژه‌ها به وجود می‌آید و در نهایت منجر به برچسب‌های پیشنهادی مناسب می‌شود. راهکار پیشنهادی بر روی دو دیتاست عمومی مورد بررسی قرار گرفت و نتایج برتری خود را نسبت به سایر روش‌های مشابه نشان داد. <div>  <hr> <div id="ftn1"> <a href="#_ftnref1" name="_ftn1" title="">[1]</a> Tag </div> <div id="ftn2"> <a href="#_ftnref2" name="_ftn2" title="">[2]</a> Bag Of Words </div> <div id="ftn3"> <a href="#_ftnref3" name="_ftn3" title="">[3]</a> Explicit Semantic Analysis </div> </div> In recent years, the utilization of social networks has surged markedly, with interest in their use escalating daily. A pivotal concern is augmenting the number of views for individuals' posts or messages to enhance their popularity. The most effective means to achieve this objective is through the use of tags. Tags significantly contribute to the organization and retrieval of existing data, and the automatic generation of tags has garnered substantial attention. Tag recommendation from textual sources can be approached as a text extraction issue. This paper endeavors to propose a comprehensive set of suggested keywords derived from data via advanced text summarization techniques, culminating in the presentation of a sophisticated tag recommender. Consequently, this research introduces an innovative and robust solution by integrating clustering, summarization, and recommendation methodologies. Initially, utilizing the Bag of Words (BoW) model, comprehensive word parsing and extraction of word roots are performed. This process yields a bag of words capable of facilitating deep semantic exploration. The data is meticulously simplified to its core elements, with prepositions and repetitions omitted. Verbs, due to their high frequency and significance depending on the context of the sentence or post, are mined separately. Other words are judiciously selected based on their frequency and importance, and stored with their repetition counts. Subsequently, employing the K-Nearest Neighbor (KNN) clustering algorithm, the data is clustered, and the cluster representatives serve as the output tags. A slight modification is made to the KNN algorithm by incorporating the Explicit Semantic Analysis (ESA) method for precise scale calculations. The proposed solution was rigorously evaluated on two public datasets: TPA, extracted by Aminer, and AG, extracted by ComeToMyHead. The AG dataset comprises 127,600 news articles, categorized into four distinct tag types. Each category contains 30,000 training samples and 1,900 test samples, with a total of 31,900 tags representing global, sports, business, and scientific concepts. The findings of this study were compared with those from 13 similar research papers, which fall into four distinct categories: machine learning, long-short-term memory (LSTM), convolutional neural network (CNN), and capsule-based models. The comparative analysis revealed that the proposed method demonstrates superior accuracy, comprehensive coverage, and an enhanced F-measure. The integration of advanced text analytics techniques underscores the significance of this study in the broader context of information retrieval and data mining. By harnessing the power of semantic analysis and machine learning, this research provides a novel framework that not only enhances the efficiency of tag recommendation systems but also contributes to the theoretical foundation of automated keyword extraction. The implications of these findings are far-reaching, with potential applications extending beyond social networks to other domains requiring efficient data organization and retrieval. توصیه برچسب, خلاصه‌سازی متن, تعبیه واژه, k نزدیک‌ترین همسایه, BoW label recommendation, text summarization, word embedding, k-nearest neighbor, BoW 15 28 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2355-1&slc_lang=fa&sid=1 Mahsa Rahimi Resketi مهسا رحیمی رسکتی mr2.mco@gmail.com 100319475328460013331 100319475328460013331 No Islamic Azad University, Sari استادیار معلم، آموزش و پرورش استان مازندران، ساری، ایران Homayun Motameni همایون موتمنی h_motameni@yahoo.com 100319475328460013332 100319475328460013332 Yes Islamic Azad University, Sari استاد (پروفسور) دانشکده مهندسی کامپیوتر، دانشگاه آزاد ساری، مازندران، ساری، ایران Ebrahim Akbari ابراهیم اکبری akbari@iausari.ac.ir 100319475328460013333 100319475328460013333 No Islamic Azad University, Sari دانشیار دانشکده مهندسی کامپیوتر، دانشگاه آزاد ساری، مازندران، ساری، ایران Hossein Nematzadeh حسین نعمت زاده hn_61@yahoo.com 100319475328460013334 100319475328460013334 No Islamic Azad University, Sari استادیار دانشکده مهندسی کامپیوتر، دانشگاه آزاد ساری، مازندران، ساری، ایران