سال انتشار: ۱۳۹۱

محل انتشار: دومین کنفرانس ملی مهندسی نرم افزار

تعداد صفحات: ۷

نویسنده(ها):

حسین ازگومی – گروه فنی و مهندسی، دانشگاه آزاد اسلامی واحد شبستر، ایران
معصومه قاسمی ماه سایه –

چکیده:

یکی از مسائل بنیادی در داده کاوی بررسی دادهها برای یافتن عناصر مشابه میباشد. برای نمونه در این زمینه میتوان به بررسی مجموعهای از اسناد مختلف و یا صفحات وب و پیدا کردن موارد نزدیک به هم و تکراری اشاره نمود. مسئلهپیدا کردن اسناد مشابه را میتوان به یک مسئله بر پایهی مجموعه تبدیل کرد که این کار در قالب روشShinglingانجام میگیرد. همچنین برای حل این مسئله میتوان مجموعههای بزرگ را به صورتی فشرده نمود که باز هم بتوان تشابه مجموعههای اصلی را از نسخههای فشرده شدهی آنها، تشخیص داد کهاین کار در روشMinhashing انجام میشود. اگر علاوه بر یافتن جفت اسنادمشابه، به دنبال یافتن دستههایی مشابه از اسناد باشیم، باید از روشLSH برای رسیدن به این هدف استفاده نماییم ما در این مقاله به بررسی و تحلیل مسئله یافتن اسناد مشابه از دیدگاه سه روش کلیLSH و Minhashing ،Shingling پرداختیم که هر کدام از این روشها مکمل روش قبلی میباشند. در واقع هدف این مقاله ارزیابی روشهای ذکر شده و بررسی ویژگیهای هر کدام از دیدگاههای مختلف میباشد