fa یک کاربرد از رویکرد تحلیل توپولوژیکی داده در طبقه‌بندی اشعار فارسی مقالات پردازش گفتار Paper كاربردي Applicable <div style="text-align: justify;"><span style="line-height:90%"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:90%"><span b="" nazanin="" style="font-family:">تحلیل توپولوژیکی داده شاخه‌ای بدیع و به‌سرعت در حال رشد در علوم داده است که مجموعه‌ای از ابزارهای هندسی و توپولوژیکی را برای استخراج ویژگی‌های مرتبط از داده پیچیده بُعد بالا فراهم می‌کند. در این مقاله، دو روش از بهترین روش‌های تحلیل توپولوژیکی داده؛ یعنی همولوژی ماندگار و نگاشت‌گر به‌منظور طبقه‌بندی اشعار دو تن از بهترین شعرای ایران؛ یعنی فردوسی و حافظ، به‌کار گرفته می‌شود. در این پژوهش از روش‌شناسی تحلیل متن سنتی فراتر رفته‌ تا کارآمدی و بهینه‌بودن تحلیل توپولوژیکی داده در زمینه متن‌کاوی و انتساب نویسنده، نشان داده شود. نکته نوآورانه این مقاله استفاده از تحلیل توپولوژیکی داده در انتساب نویسنده است که پیش‌تر نیز سابقه نداشته است؛ همچنین قابلیت بصری‌سازی نتایج با استفاده از نمودارهای پایا، بارکد و نگاشت‌گر که منحصر به تحلیل توپولوژیکی داده است و به‌سادگی قابل تفسیر توسط هر خواننده‌ای است، این امید را می‌دهد که از این به بعد تحلیل توپولوژیکی داده به‌عنوان یک دریچه جهت رمزگشایی در ادبیات و علوم‌انسانی بتواند مورداستفاده قرار گیرد</span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:90%"><span b="" nazanin="" style="font-family:">.</span></span></span></b><b><span dir="LTR" lang="X-NONE" style="font-size:8.0pt"><span style="line-height:90%"><span style="font-family:"Times New Roman Bold",serif"></span></span></span></b></span></span></span></div> <div class="WordSection1" style="text-align: justify;"><span style="font-size:12pt"><span style="line-height:90%"><span new="" roman="" style="font-family:" times=""><b><span style="font-size:10.0pt"><span style="line-height:90%">This research delves into authorship attribution through an avant-garde lens, employing Topological Data Analysis (TDA) as a potent instrument to unravel intricate patterns within classical Persian poetry. The focal point of this study is the distinguished works of Ferdowsi and Hafez, two preeminent Persian poets, exploring the latent structures in their verses through the lenses of Persistent Homology and Mapper a pair of TDA methodologies. The discernment between Non-Semantic and Semantic authorship attribution methodologies lays the groundwork, elucidating the significance of capturing structural nuances in textual data. The main focus of this investigation revolves around the deployment of Persistent Homology a cutting-edge technique that transcends traditional text analysis methodologies. It operates in high-dimensional spaces, extracting topological features, and rendering them comprehensible through persistent diagrams. This paper meticulously unpacks the mathematical underpinnings of Persistent Homology, providing a stepwise exposition of its application, focusing on Homology, Simplicial Complex, and Group Theory. These foundational elements converge to empower extracting meaningful topological signatures from the poetic corpus. In tandem, Mapper, another TDA tool, unfolds as a pivotal player in this explorative journey. This algorithmic entity facilitates dimensionality reduction and simplicial complex construction to portray an accurate depiction of the intrinsic topological architecture residing in the dataset. The intricacies of Mapper&#39;s workflow from filter function selection to binning and clustering are meticulously detailed, forming a coherent narrative of its operational dynamics. Transitioning from theoretical discourse to practical implementation, this research adopts a case study approach, weaving Ferdowsi and Hafez&#39;s poetic masterpieces into the TDA tapestry. Beyond the mere application of algorithms, the study delves into the realm of accuracy assessments, subjecting the Mapper algorithm to rigorous tests, and gauging the precision of its poem classifications within identified clusters. An additional layer of complexity unfolds as the research embraces semantic clustering, elucidating thematic resonances embedded within the verses. The results borne out of this meticulous exploration not only underscore the efficacy of TDA methodologies in unveiling the intricate structures of Persian poetry but also offer a nuanced perspective on their interpretability and utility in the realm of authorship attribution. The poetic narrative, with its semantic richness and structural subtleties, emerges as a fertile ground for the application of TDA, pushing the boundaries of text classification methodologies. This research, therefore, contributes significantly to the evolving discourse on the intersection of literature and data science, offering a profound understanding of how TDA can be wielded as a transformative lens to decipher the profound threads of authorial expression.</span></span></b></span></span></span></div> <div aria-label="Page Break" class="cke_pagebreak" contenteditable="false" data-cke-display-name="pagebreak" data-cke-pagebreak="1" style="page-break-after:always" title="Page Break"></div> تحلیل توپولوژیکی داده, همولوژی ماندگار, نگاشت‌گر, اشعار فارسی. Topological data analysis, Persistent Homology, Mapper, Persian poems. 77 90 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2454-1&slc_lang=fa&sid=1 Naiereh Elyasi نیره الیاسی elyasi82@khu.ac.ir 100319475328460014071 100319475328460014071 Yes Assistant Professor, Faculty of Mathematical sciences and Computer, Kharazmi university, Tehran, Iran استادیار دانشکده علوم ریاضی و کامپیوتر، دانشگاه خوارزمی، تهران، ایران Mehdi Hosseini Moghadam مهدی حسینی مقدم m.h.moghadam1996@gmail.com 100319475328460014072 100319475328460014072 No NLP/LLM(Team lead), Oxford university, Oxford, UK کارشناس ارشد مهندسی داده، آکسفورد، انگلستان