به گزارش «روابط‌ عمومی پژوهشگاه علوم و فناوری اطلاعات ایران» در نشست 409 شورای پژوهش که 18 اردیبهشت ماه 1400 برگزار شد، طرح پژوهشی «استخراج فراداده در پارساها با رویکرد الگوریتم‌های دسته‌بندی» توسط دکتر جلال‌الدین نصیری، به پایان رسید.

فراداده داده­ای است که اطلاعاتی درباره­ داده­ای دیگر ارائه می­‌دهد. عنوان، نام دانشگاه، رشته تحصیلی، نام دانشجو، استاد راهنما، چکیده و کلمات­ کلیدی را می­‌توان از مهم‌ترین فراداده­‌های پایان‌نامه‌ها و رساله‌ها (پارساها) نام برد. از آنجایی‌که فراداده­‌ها در بازیابی اطلاعات نقش منحصربه‌فردی را ایفا می­‌نمایند، استخراج صحیح و ذخیره آن­ها در سامانه‌­های بازیابی اطلاعات حائز اهمیت است. با توجه به حجم بالای متون علمی و سرعت پایین کنترل دستی فراداده‏ در سامانه ثبت پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، همواره نمایه‌سازی پارساهای دریافتی عقب‌تر از پارساهای دریافتی بوده و در نتیجه نمایش اطلاعات در سامانه گنج ایرانداک به روز نیست. با توجه به این مساله، افزایش سرعت کنترل فراداده‌ها از موارد اولویت‌­دار سامانه ثبت است.

هدف اصلی این طرح پژوهشی طراحی الگوریتمی است که بتواند فراداده‌­ها را از متن کامل پارساها استخراج نماید. چنین الگوریتمی می‌تواند با بررسی سیستمی و هوشمند فراداده‌های پارساها، سرعت نمایه‌سازی پارساها در پایگاه ثبت را افزایش داده و منجر به به‌روز شدن پایگاه گنج گردد.

برای انجام این مهم پس از پیش­‌پردازش­‌های رایج مانند نرمال­‌سازی متن، حذف ایست­‌واژه‌­ها و قطعه‌بندی در پردازش زبان فارسی، از هر پاراگراف ویژگی‌­های ساختاری و زبانی استخراج می‌گردد. استخراج ویژگی باید به گونه‌­ای طراحی گردد که فراداده­‌های متفاوت قابل تمیز دادن از هم باشند. در مرحله بعد با استفاده از روش­‌های هوشمند دسته­‌بندی چند کلاسه، روش پیشنهادی آموزش داده می‌­شود. در این طرح پژوهشی برای مکاشفه بهتر و دستیابی به مقادیر بهینه دسته‌­بند از الگوریتم­‌های فرامکاشفه‌ای استفاده خواهد شد. ارزیابی روش پیشنهادی نشان داده است که در بسیاری از اقلام اطلاعاتی فراداده استخراج هوشمند و خودکار کارا بوده و امکان عملیاتی شدن ایده وجود دارد.