ارائه روشی برای استخراج خودکار عبارات کلیدی از اخبار وب پارسی

دادگان متنی و از آن جمله متون خبری از حوزه های مهم بازیابی اطلاعات به شمار می رود و استخراج اطلاعات از آن ها ضروری است. این امر با استخراج عبارات کلیدی اسناد که دربردارنده محتوای اصلی متن است، صورت می گیرد. در این پژوهش، راهکاری سه مرحله ای جهت استخراج عبارات کلیدی از صفحات خبری وب پارسی، با ترکیب شیوه های زبان شناختی، یادگیری با ناظر، ابتکاری و تعداد نسبتا جامعی از شیوه های آماری ارائه می شود. همچنین، یک مجموعه داده خبری و لیستی از عبارات توقفی خبری ایجاد می گردد. در پژوهش حاضر، با توجه به ویژگی های دادگان، از دسته بند جنگل تصادفی استفاده و عملکرد خوب آن به کمک نتایج آزمایش ها ثابت می شود. به علاوه، استفاده از امتیاز تعلق گرفته به عبارات توسط دسته بند، جهت ایجاد لیستی مرتب از عبارات برای دسته بندی، به جای استفاده ازخروجی دسته بند، پیشنهاد می شود. نتایج، نشان دهنده دقت قابل قبول سیستم ارائه شده است.