منصة الرسائل والاطاريح: عنقدة الوثائق العربية بأستخدام LDA2Vec لنمذجة المواضيع

الخلاصة

بسبب الزيادة الهائلة في عدد الوثائق النصية العربية المتاحة على الإنترنت وفي قواعد البيانات ، يواجه الباحثون تحديًا كبيرًا في إيجاد طرق أفضل للتعامل مع كمية كبيرة من البيانات. لذلك ، أصبح من الضروري تطوير تقنيات أو أدوات فعالة للمساعدة في اكتشاف وتحليل المعلومات في الوثائق العربية. يُعد تجميع الوثائق باللغة العربية جانبًا مهمًا من جوانب توفير التنقل التخميني وتقنيات التصفح من خلال تنظيم كميات هائلة من البيانات في عدد صغير من المجموعات المحددة. في هذه الأطروحة ، تم تصميم نهج يستخدم نمذجة الموضوع كتقنية لعنقدة الوثائق العربية. تم استخدام خوارزمية النمذجة الموضوعية التي تم تطويرها مؤخرًا ، LDA2Vec في هذا النهج. LDA2Vec هي خوارزمية هجينة قدمها كريستوفر مودي في عام 2016 ، والتي تنفذ كل من الكلمات والموضوعات في إطار عمل واحد. يجعل LDA2Vec كميات كبيرة من النصوص ذات قيمة للأشخاص (بدلاً من الأجهزة) مع تسهيل تعديل النموذج. نتائج LDA2Vec عبارة عن مجموعة من متجهات وزن المستندات المتناثرة ، بالإضافة إلى متجهات الموضوع التي يسهل تفسيرها. يتكون النموذج من عدة مراحل وهي جمع الوثائق النصية ، المعالجة المسبقة للنصوص، وتمثيل النصوص ، ومرحلة التدريب باستخدام خوارزمية LDA2Vec ، ومرحلة الاختبار ، وتقييم النموذج. تم اختبار النموذج المطور باستخدام مجموعة بيانات إخبارية عربية مستخدمة في دراسات سابقة مماثلة. أظهرت النتائج أن نموذج LDA2Vec متفوق من حيث جودة العنقدة للوثائق النصية العربية وفقًا لمقاييس خارجية مثل النقاء ومقياس F والدقة وغيرها من المقاييس. يتضح في هذه الأطروحة أن نقاء النموذج المطور هو 0.88 مقارنة بـ 0.75 لـ Latent Dirichlet Allocation (LDA) ، وهي أحد أكثر تقنيات النمذجة الموضوعية استخدامًا ، وهذه النتائج أعلى مقارنة بدراسة حديثة مماثلة.