دوره 21، شماره 1 - ( 3-1403 )
جلد 21 شماره 1 صفحات 88-71 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mottaghi M S, Minaei-Bidgoli B. A Graph-based Algorithm for Clustering Qur’anic Surahs. JSDP 2024; 21 (1) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1220-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1220-fa.html
متقی مریم سادات، مینایی بهروز. الگوریتمی مبتنی بر گراف برای خوشه‌بندی سوره‌های قرآن کریم. پردازش علائم و داده‌ها. 1403; 21 (1) :71-88
دانشگاه شهیدبهشتی
چکیده: (332 مشاهده)
قرآن کتاب نازل‌شده از طرف خداست و تا به امروز اندیشمندان و پژوهش‌گران مختلفی در جهت شناخت قرآن و فهم آن تلاش نموده‌اند. در دسترس بودن سیستم‌های رایانه‌ای فرصت مغتنمی است که با افزایش سرعت پژوهش‌گران در پیمودن مسیر، آن‌ها را در رسیدن به قله‌های بلندتری یاری کند. خوشه‌بندی یکی از روش‌هایی است که برای فهم ساختار داده به کار می‌رود. در این مقاله به خوشه‌بندی سوره‌های قرآن کریم بر اساس هم‌وقوعی کلمات در آن پرداخته و برای دست‌یابی به این هدف از یک رویکرد موجود مبتنی بر گراف استفاده نموده‌ایم. در پژوهش جاری ابتدا هر سوره را به صورت یک گراف غیرجهت‌دار و وزن‌دار بازنمایی کرده، سپس بردار هر سوره را بر اساس گراف سوره تشکیل داده‌ایم و پس از آن سورهها را خوشه‌بندی نموده‌ایم. برای ارزیابی کیفیت خوشه‌بندی از معیار نیم‌رخ استفاده کرده‌ایم. بر اساس این معیار در بهترین خوشه‌بندی در بین اجراهای مختلف مقدار نیم‌رخ ۰/۹۱ به دست‌آمده است. این پژوهش زیرساخت ساختاری مناسبی برای توصیف لایه معنایی سورهها و آیات قران پیش روی پژوهش‌گران حوزه زبان‌شناسی محاسباتی در دامنه علوم قرآنی فراهم می‌سازد.
شماره‌ی مقاله: 6
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش متن
دریافت: 1400/1/21 | پذیرش: 1401/7/2 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
دریافت: 1400/1/21 | پذیرش: 1401/7/2 | انتشار: 1403/5/13 | انتشار الکترونیک: 1403/5/13
فهرست منابع
1. اصلانی، اکرم، اسماعیلی، مهدی. «یافتن الگوهای مکرّر در قرآن کریم به‌‌کمک روش‌‌های متن‌‌کاوی»، پردازش علائم و داده‌ها،۱۵ (۳)، ۸۹-۱۰۰، ۱۳۹۷ https://jsdp.rcisp.ac.ir/. [ دسترسی در ۱۹ اردیبهشت ۱۴۰۳].
2. A. Aslani A, M. Esmaeili, "Finding Frequent Patterns in Holy Quran UsingText Mining," JSDP, vol. 15, no.3, pp. 89-100, 2018. Available: https://jsdp.rcisp.ac.ir/. [Accessed: May. 10, 2024]. [DOI:10.29252/jsdp.15.3.89]
3. صادق‌زمانی، فهیمه، ضرغامی، محمدحسین، «تعیین ساختار روابط بین اعضای خانواده بر اساس ویژگیهای شخصیتی»، اندازه‌گیری تربیتی، شماره ۳۳، ۲۰۸-۱۸۹، ۱۳۹۷. http://journals.atu.ac.ir. [دسترسی در ۵ اسفند۹۹].
4. Sadegh-Zamani and M. H. Zarghami, "Determining structure of relations between family members based on personality characteristics," Quarterly of Educational Measurement, no. 33, pp. 189-208, 2018. Available: http://journals.atu.ac.ir. [Accesed: Feb. 24, 2021].
5. صوفی، محسن، علی‌احمدی، علی‌رضا، علی‌احمدی، حسین، مینایی، بهروز، «خوشه‌بندی سوره‌های قرآن با تکنیک‌های داده‌کاوی»، رهیافت‌هایی در علوم قرآن و حدیث، دوره ۵۰، ۱۲۰-۱۰۳، ۱۳۹۷. https://jquran.um.ac.ir. [دسترسی در ۵ اسفند۹۹].
6. [M. Sufi, A. R. Ali-Ahmadi, H. Ali-Ahmadi, B. Minaei-Bidgoli, "Clustering of Qur'anic Surahs Using Data Mining Techniques", New Approaches in Quran and Hadith Studies, vol. 50, pp. 103-120, 2018-2019. Available: https://jquran.um.ac.ir. [Accesed: Feb. 24, 2021].
7. قلی‌زاده، بهروز، ساختمان‌های گسسته، چاپ سی و یکم، تهران، مؤسسه انتشارات علمی دانشگاه شریف، چاپ۳۱، ۱۳۹۱.
8. B. Gholizadeh, Discrete Mathematics, Tehran: Sharif University Press, 2012-2013.
9. هاشمی رفسنجانی، علی‌اکبر، و جمعی از محققان مرکز فرهنگ و معارف قرآن، تفسیر راهنما، قم: بوستان کتاب قم، چاپ سوم، ۱۳۷۹.
10. A. Hashemi-Rafsanjani, and a group of researchers from Quranic Science and Culture Center, Tafsir Rahnama, Qom: Bustan Ketab Publisher, 2000-2001.
11. E. Aftab and MK. Malik, "eRock at Qur'an QA 2022: contemporary deep neural networks for Qur'an based reading comprehension question answers," In Proceedinsg of the 5th Workshop on Open-Source Arabic Corpora and Processing Tools with Shared Tasks on Qur'an QA and Fine-Grained Hate Speech Detection 2022. pp. 96-103, 2022. Available: https://aclanthology.org/2022.osact-1.11.pdf [Accessed: May. 10, 2024].
12. M. E. Aktas, and E. Akbas, "Text classification via network topology: A case study on the Holy Quran," In 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA), 16 Dec 2019, 1557-1562. Available: http://www.math .uco.edu. [Accessed: Feb. 24, 2021]. [DOI:10.1109/ICMLA.2019.00257]
13. E. Alpaydin, Introduction to machine learning, 2nd ed. Massachusetts: Massachusetts Institutes of Technology, 2010. Available: https://books.google.com [Accessed: Feb. 24, 2021].
14. E. Atwell, Habash Nizar, Louw Bill, B. Abu Shawar, T. McEnery, W. Zaghouani, and M. El-Haj, "Understanding the Quran: A new grand challenge for computer science and artificial intelligence," ACM-BCS Visions of Computer Science 2010, 2010. Available: https://eprints.lancs.ac.uk. [Accessed: Feb. 25, 2021].
15. C. M. Bishop, Pattern Recognition and Machine Learning, New York: Springer-Verlag, 2006. Available: http://users.isr.ist.utl.pt/. [Accessed: Feb. 25, 2021].
16. K. Dukes, and N. Habash, "Morphological Annotation of Quranic Arabic," Lrec, 2010. Available: http://citeseerx.ist.psu.edu/. [Accessed: Feb. 25, 2021].
17. K. Dukes, "Quranic Arabic Corpus," May. 1, 2011. [online]. Available: http://corpus.quran.com/. [Accessed: Feb. 24, 2021]
18. M. H. Elahimanesh, B. Minaei-Bidgoli, M. J. Gholami, and H. Juzi, "An Introduction to Noor Corpus and its Language Model." First International Conference on Persian language Processing(ICPLP), Semnan university, 2012. Available: researchgate.net. [Accessed: Feb. 25, 2021].
19. H. Veeramani, S. Thapa and U. Naseem , "LowResContextQA at Qur'an QA 2023 Shared Task: Temporal and Sequential Representation Augmented Question Answering Span Detection in Arabic," In Proceedings of ArabicNLP 2023, pp. 708-713, 2023. Available: https://aclanthology.org/2023.arabicnlp-1.78. [Accessed: May. 10, 2024]. [DOI:10.18653/v1/2023.arabicnlp-1.78]
20. A. Lim, "The berth planning problem," perations research letters, vol. 22, pp. 105-110, March 1998. Available: https://www.sciencedirect.com/ [Accessed: Feb. 25, 2021]. [DOI:10.1016/S0167-6377(98)00010-8]
21. R. Malhas and T. Elsayed, "Arabic machine reading comprehension on the Holy Qur'an using CL-AraBERT," Information Processing & Management, Vol. 59, no. 6, 2022. Available:
https://doi.org/10.1016/j.ipm.2022.103068 [DOI:10.1016/j.ipm.2022.103068. [Accessed: May. 10, 2024].]
22. G. Mediamer, "Semantic Feature Analysis for Multi-Label Text Classification on Topics of the Al-Quran Verses," Journal of Information Processing Systems, vol. 20, no.1, 2024. Available: https://jips-k.org/digital-library/2024/20/1/1. [Accessed: May. 10, 2024].
23. Y. Mellah, I. Touahri, Z. Kaddari, Z. Haja, J. Berrich and T. Bouchentouf , "LARSA22 at Qur'an QA 2022: text-to-text transformer for finding answers to questions from Qur'an," In Proceedinsg of the 5th Workshop on Open-Source Arabic Corpora and Processing Tools with Shared Tasks on Qur'an QA and Fine-Grained Hate Speech Detection, pp. 112-119, 2022. Available: https://aclanthology.org/2022.osact-1.13. [Accessed: May. 10, 2024].
24. M. Mohammed, S. Amin and MM. Aref , "An english islamic articles dataset (eiad) for developing an islambot question answering chatbot," In 2022 5th International Conference on Computing and Informatics (ICCI), pp. 303-309, 2022. Available: https://ieeexplore.ieee.org/abstract/document/9756122/. [Accessed: May. 10, 2024]. [DOI:10.1109/ICCI54321.2022.9756122]
25. H. Moisl, "Sura Length and Lexical Probability Estimation in Cluster Analysis of the Qur'an," ACM Transactions on Asian Language Information Processing (TALIP), vol. 8, pp. 1-19, 2009. Available: https://eprints.ncl.ac.uk/. [Accessed: Feb. 25, 2021]. [DOI:10.1145/1644879.1644886]
26. A. B. Muhammad, "Annotation of conceptual co-reference and text mining the Qur'an,"Ph.D. dissertation, Dept. school of computing, Leeds Univ., UK, 2012. Available: http://etheses.whiterose.ac.uk/. [Accessed: Feb. 25, 2021].
27. C. Nicolini, C. Bordier, and A. Bifone, "Community detection in weighted brain connectivity networks beyond the resolution limit," Neuroimage, vol. 146, pp. 28-39, 2017. Available: researchgate.net. [Accessed: Feb. 25, 2021]. [DOI:10.1016/j.neuroimage.2016.11.026]
28. F. Rousseau, E. Kiagias, and M. Vazirgiannis, "Text categorization as a graph classification problem," In Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing, Beijing, China, 26-31 July 2015, pp. 1702-1712. Available: https://www.aclweb.org/. [Accessed: Feb. 25, 2021]. [DOI:10.3115/v1/P15-1164]
29. P. J. Rousseeuw, "Silhouettes: a graphical aid to the interpretation and validation of cluster analysis," Journal of computational and applied mathematics, vol. 20, pp. 53-65, 1987. Available: https://www.sciencedirect.com/. [Accessed: Feb. 25, 2021]. [DOI:10.1016/0377-0427(87)90125-7]
30. A. B. M. Sharaf, and E. Atwell, "QurAna: Corpus of the Quran annotated with Pronominal Anaphora," LREC, 2012, pp. 130-137. Available: http://citeseerx.ist.psu.edu/. [Accessed: Feb. 25, 2021].
31. A. B. M. Sharaf, and E. Atwell, "QurSim: A corpus for evaluation of relatedness in short texts," LREC, 2012, pp. 2295-2302. Available: http://textminingthequran.com/. [Accessed: Feb. 25, 2021].
32. S. A. Shirkhorshidi, S. Aghabozorgi Saeed, and T. Y. Wah, "A comparison study on similarity and dissimilarity measures in clustering continuous data," PloS one, vol. 10, 2015. Available: researchgate.net. [Accessed: Feb. 25, 2021]. [DOI:10.1371/journal.pone.0144059]
33. M. A. Siddiqui, S. M. Faraz, and S. A. Sattar, "Discovering the thematic structure of the Quran using probabilistic topic model," 2013 In 2013 Taibah University International Conference on Advances in Information Technology for the Holy Quran and Its Sciences, IEEE, 2013, pp. 234-239. Available: researchgate.net. [Accessed: Feb. 25, 2021]. [DOI:10.1109/NOORIC.2013.55]
34. I. Takigawa, H. Mamitsuka, "Efficiently mining δ-tolerance closed frequent subgraphs," Machine Learning, vol. 82, pp. 95-121. Available: https://link.springer.com. [Accessed: Feb. 25, 2021]. [DOI:10.1007/s10994-010-5215-6]
35. P. N. Tan, M. Steinbach, A. Karpatne, and V. Kumar, Introduction to data mining, second edition, New York: Pearson Education, 2018.
36. N. Thabet, "Understanding the thematic structure of the Qur'an: an exploratory .multivariate approach," In Proceedings of the ACL Student Research Workshop, 2005, pp. 7-12. Available: https://www.aclweb.org/. [Accessed: Feb. 25, 2021]. [DOI:10.3115/1628960.1628963]
37. X. Yan, and J. Han, "gspan: Graph-based substructure pattern mining," 2002 IEEE International Conference on Data Mining,2002, pp. 721-724. Available: https://sites.cs.ucsb.edu/. [Accessed: Feb. 25, 2021].
38. R. Zafarani, M. A. Abbasi, and H. Liu, Social Media Mining: An Introduction, London: Cambridge University Press, 2014. Available: http://citeseerx.ist.psu.edu/. [Accessed: Feb. 25, 2021]. [DOI:10.1017/CBO9781139088510]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
