به گزارش «روابط‌ عمومی پژوهشگاه علوم و فناوری اطلاعات ایران» در نشست 447 شورای پژوهش که سوم اسفند ماه 1400 برگزار شد، طرح پژوهشی «توسعه رویکرد خوشه‌بندی برای پیشنهاد اسناد علمی فارسی بر مبنای داده‌های فارسی پایگاه اطلاعات علمی ایران (گنج)» توسط دکتر مرضیه زرین‌بال، عضو هیئت علمی پژوهشکده فناوری اطلاعات به پایان رسید.

سیستم­‌های پیشنهاددهنده سیستم‌­هایی هستند که با ارائه پیشنهادهای متناسب با نیاز کاربر به او در تصمیم‌­گیری کمک می­کنند. نیازهای کاربر با کمک روش‌­های مختلفی نظیر بهره­‌گیری از عبارت پرس­و­جوی کاربر، تحلیل سند منتخب کاربر و یا تحلیل رفتار کاربر و یا کاربران مشابه استخراج می­شود. سیستم پیشنهاددهنده مبتنی بر دانش یا مبتنی بر محتوی یکی از انواع سیستم‌های پیشنهاددهنده است و برای توسعه آن خصوصا در سال­‌های اخیر از رویکردهای نوین نظیر یادگیری ماشین و تشخیص الگو ‌استفاده می‌­شود. خوشه‌بندی متن یکی از روش­‌های بسیار پرکاربرد در یادگیری ماشین است که در آن اسناد مشابه بر اساس ویژگی‌های مناسب و شباهت بین اسناد خوشه‌بندی می‌­شوند. لذا استخراج و انتخاب این ویژگی­‌ها برای اسناد و خوشه‌بندی اسناد از جمله چالش‌های اصلی محسوب می­‌شوند. همچنین، اغلب سیستم‌های پیشنهاددهنده متن و الگوریتم‌های خوشه‌بندی برای زبان انگلیسی توسعه پیدا کرده‌اند و به راحتی برای سایر زبان‌ها، مانند زبان فارسی، قابل بکارگیری نیستند. بنابراین هدف اصلی در این طرح، توسعه و بکارگیری رویکرد خوشه‌​بندی برای پیشنهاد اسناد علمی فارسی به کاربر است. برای ارزیابی رویکرد توسعه داده شده از فراداده­‌های پایان­‌نامه­‌ها و رساله­‌های فارسی پایگاه گنج استفاده شده است. بر اساس ادبیات مربوط به خوشه‌بندی داده‌های بزرگ، سه معیار شباهت مینکویسکی، کسینوسی و آنتروپی نسبی به عنوان معیارهای فاصله یا شباهت انتخاب و با کمک این معیارها سه الگوریتم خوشه‌­بندی K-means، FCM وREFCM ‌در نرم­‌افزار Python پیاده‌­سازی شده‌اند. بر اساس نتایج بدست آمده، الگوریتم FCM (فاصله کسینوسی) و REFCM ‌نتایج بهتری نسبت به الگوریتم­ K-means داشته‌اند.