fa خلاصه سازی خودکار متن مبتنی بر قدرت بازسازی جملات از روی همدیگر در یک بازسازی تنک ریاضی Mat مقاله استخراج شده از پایان نامه Research Paper رشد سریع و پیوسته شبکه جهانی وب باعث شده است فرآیند استخراج اطلاعات مفید با حجم کمینه، از میان مجموعه‌ی اسناد بزرگ چالش جدی این روزها باشد. خلاصه&shy;سازی اسناد برای انسان امری بسیار زمان‌بر و دشوار است، ولذا نیاز به یک سیستم خلاصه&shy;سازی قدرتمند را برای کاهش حجم متون و همچنین سرعت بالاتر دسترسی به اطلاعات مفید را آشکار می&shy;کند<span dir="LTR">.</span> اخیرا سیستم خلاصه&shy;سازی مبتنی بر رویکرد نمایش تنک ارائه شده است که سعی بر آن دارد تا هر جمله را با ترکیب خطی از جملات دیگر به صورت تنک بازسازی کند. در این رویکرد زیر مجموعه‌ای از جملات متن اصلی که حاوی اطلاعات مهم متن می‌باشد را انتخاب کرده و به عنوان خلاصه به خروجی می&shy;فرستد. همچنین نیاز است کم‌ترین تعداد از جملات متن که حداکثر بازسازی سایر جملات متن را داشته باشد انتخاب شود، که استفاده از رویکرد نمایش تنک این هدف محقق می‌کند. این مدل از یک تابع جریمه مبتنی بر نرم <span dir="LTR">L₂</span> برای کنترل بازسازی جملات و یک عامل منظم ساز تنک مبتنی بر نرم یک تشکیل شده است. تابع بازسازی بر اساس نرم<span dir="LTR">L₂ </span>&nbsp;سبب می‌شود که تمام کلمات کلیدی نقش مساوی در بازسازی جملات داشته باشند که این امر ممکن است باعث شود کلمات پرت نتیجه خلاصه&shy;سازی را عوض کنند. بنابراین برای بهبود کیفیت خلاصه به دست آمده در این مقاله تابع جریمه را با نرم <span dir="LTR">L₁ </span>بازنویسی می‌کنیم. این امر باعث ‌می‌شود تا میزان خطای متفاوتی برای هر کدام از کلمات در بازسازی جملات اختصاص یابد که موجب کمتر شدن حساسیت روش به کلمات پرت می&shy;شود. نتایج پیاده سازی نشان می&shy;دهند که روش پیشنهادی نسبت به روش‌های قبلی خلاصه‌ای سریع و با کیفیت بالا بر مبنای معیارهای <span dir="LTR">ROUGE<a href="#_ftn1" name="_ftnref1" title="">[1]</a></span> و<span dir="LTR">F-measure </span>&nbsp;ارائه می‌دهد<span dir="LTR">.</span> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Recall-Oriented Understudy for Gisting Evaluation<span dir="RTL"></span></div> </div> <span dir="LTR">.</span> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title="">[1]</a> Recall-Oriented Understudy for Gisting Evaluation<span dir="RTL"></span></div> </div> <div style="text-align:start"><span style="font-size:15px"><span style="color:#212121"><span segoe="" style="font-family:wf_segoe-ui_normal, " ui=""><span style="font-style:normal"><span style="font-variant-ligatures:normal"><span style="font-weight:400"><span style="white-space:normal"><span style="background-color:#ffffff"><span style="text-decoration-thickness:initial"><span style="text-decoration-style:initial"><span style="text-decoration-color:initial"><font face="tahoma"><font size="1"><font color="black"><font style="font-family:tahoma, serif, EmojiFont"><span style="font-size:13.32px"><span style="font-weight:normal">The rapid and continuous growth of the World Wide Web has made the process of extracting useful information with minimal volume of a large collection of documents a serious challenge these days. Summarizing documents are a very time-consuming and difficult task for humans, so it reveals the need for a powerful summarizing system to reduce the volume of texts and also to speed up access to useful information.<br> &nbsp;Recently, a summarization system based on the sparse representation approach has been presented, which tries to reconstruct each sentence in a sparse form by a linear combination of other sentences. In this approach, select a subset of sentences of the main text that contain important information about the text and send it to the output as a summary.<br> It is also necessary to select the least number of text sentences that have the maximum reconstruction of other text sentences, which achieves this goal by using the sparse representation approach.<br> This model consists of a penalty function based on the L2 norm to control sentence reconstruction and regularization.<br> The reconstruction function based on the L2 norm causes all the words to have an equal role in reconstructing sentences, which may cause outlier words to change the summarization result. Therefore, to improve the quality of the summary obtained in this article, we rewrite the penalty function with the L2 norm. This causes a different amount of error to be allocated for each of the words in sentence reconstruction, which causes the sensitivity of the method to be reduced to outlier words. The implementation results show that the proposed method provides a quick and high-quality summary based on the ROUGE and measure-F criteria compared to the previous methods.</span></span></font></font></font></font></span></span></span></span></span></span></span></span></span></span></span></div> <div style="text-align:start"><span style="font-size:15px"><span style="color:#212121"><span segoe="" style="font-family:wf_segoe-ui_normal, " ui=""><span style="font-style:normal"><span style="font-variant-ligatures:normal"><span style="font-weight:400"><span style="white-space:normal"><span style="background-color:#ffffff"><span style="text-decoration-thickness:initial"><span style="text-decoration-style:initial"><span style="text-decoration-color:initial"><font face="tahoma"><font size="1"><font color="black"><font style="font-family:tahoma, serif, EmojiFont">&nbsp;</font></font></font></font></span></span></span></span></span></span></span></span></span></span></span></div> داده کاوی, متن کاوی, خلاصه سازی خودکار متون, متون چند گانه, نمایش تنک گروهی Data mining, Automatic text summerization, multi document, Group sparsity 111 135 http://mmr.khu.ac.ir/browse.php?a_code=A-10-256-26&slc_lang=fa&sid=1 mansoor rezghi منصور رزقی rezghi@modares.ac.ir 10031947532846006178 10031947532846006178 Yes Tarbiat modares university دانشگاه تربیت مدرس faeighe mohammadian فائقه محمدیان mfaieg@yahoo.com 10031947532846006179 10031947532846006179 No Tariat modares university دانشگاه تربیت مدرس farzaneh behzadi ebrahimi فرزانه بهزادی ابراهیمی farzaneh.behzad@yahoo.com 10031947532846006180 10031947532846006180 No Tariat modares university دانشگاه تربیت مدرس