دانلود مقاله خلاصه سازی

مقدمه:
خلاصه سازی روشی است برای فشرده سازی منتهای بسیاربزرگ که به دلیل روش بیشترین درمرتبط نرین اطلاعات موجود درمتن استخراج می شودآنچه که مارادراین محدود می نماید استخراج مرتبط ترین اطلاعات وعامل مهم دیگرخواندنی بودن وقابل فهم بودن متن است.
باتوجه به افزایش روزافزون اطلاعات موجود دراینترنت که به صورت الکترونیکی ارائه می شود، تحقیقات وسیعی برروی این زمینه درحال انجام است تابتوان هرچه سریع تر به مرتبط ترین اطلاعات است یافت مثلاٌ :اگر شما دراینترنت به دنبال موضوعی باشید حجم وسیعی ازصفحات اینترنتی دراختیار شما قرار نی گیرد حال باید تک تک این صفحات رابه طور کامل مطالعه ؟؟؟؟؟

به اطلاعات موردنیاز دست پیداکنیم .

ولی به کمک روشهای خلاصه سازی می توان به راحتی خلاصه یک صفحه اینترنتی رادرچند جمله مشاهده کنید وسپس به به طور خلاصه سازی کلی صورت می پذیرد:
1- خلاصه سازی مبتنی برفهم مطلب
2- خلاصه سازی مبتنی براستخراج مطالب مهم
روش اول که نام دیگرآن (پرورش طبیعی زبانی) (NLP) می باشد یعنی سعی وآموزش سیستم درفهمیدن متن وباتوجه که قواعد وساختار های زبانی درباره وبایک ساختار جدید تری متن راخلاصه کند دراین روش مانیاز مند گرامر ونحوه جمله نویسی یک زبان خاص هستیم.
قدرت واهمیت این روش دراین است که ازدقت بالاتری برخوردار است ولی به دلیل سرعت پائین وپیچیدگی بسیار زیاد کمتراستفاده می شود.
روش دوم که به روش های آماری معروف هستند ابتدا متن رابه تعداد جملات خود افراد کرده وهر جمله رابایک بردار نگاشت می کنیم که این بردار ها مثال یک سری ویژگی های خاص نظیر تعداد کلمات بعد ویاتعداد اتفاقیی افتادن کلمات کلیدی درآن و...

می باشد ازاین روش نیازمند یهای زیادی هستیم تابه یک کلیت ارتمام تنها بوسیله ازاین روش براساس یک سری ویژگی که بردار هرجمله تشکیل می دهند یادمیگیریم که چ=گونه جملات مزتبط بامفهوم متن راپیدا کنیم.
درسالیان اخیر شاهد حرکتی مستمر ، ازتحقیقا ت صرفاً تئوری به تحقیقات کاربردی بخصوص درزمینه پردازش اطلاعات ، برای مسائلی که برای آنه ا راه حلی موجود نیست ویا براحتی قابل حل نیستندبوده ایم.

باعنایت به این امر ، علاقه فرازینده ای درتوسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی برداده ها تجربی هستتند – ایجاد شد ه است شبکه های عصبی مصنوعی جزء این دسته ازسیستمای دینامیکی قراردارند، که باپردازش روی داده ها ی تجربی ، دانش یاقانون نهفته درورای داده ها رابه ساختار شبکه منتقل می کنند.

به همین خاطر به این سیستمها هوشمند گویند چراکه براساس محاسبات روی داده ها ی عددی یامثالها، قوانین کلی رافرار می گیرند .این سیستمها درمدلسازی ساختار نرو- سیناتپتیکی مغز باشد.
پیاد ه سازی ویژگیهای شگف انگیز مغز دریک سیستم مصنوعی (سیستم دینامیکی ساخته دست بشر) همیشه وسوسه انگیز ومطلوب بوده است محققینی که طی سالها در این زمینه فعالیت کرده اند بسیارند؛ لیکن نتیجه ای ن تلاشها ، صرف نظر ازیافته های ارزشمند، باور هرچه بیشتر این اصل بوده اس ت که مغز بشر دست نیافتنی است.
سبکه های عصبی چه دربعد آنالیز وتوسعه ساختاری وچه دربعد پیاده سازی سخت افزار ازنظر کمی وکیفی وتوانایی درحال رشد وپیشرفت می باشد وتکنیکهای مختلف محاسبات عصبی ازلحاظ تعداد همچنان درحال افزایش است فعالیت علمی و کاربردی درمسائل فنی – مهندسی ازقبیل سیستمهای کنترلی ،پردازش سیگنالهاو شناسایی الگو گسترش یافته است.

بااذعان بخه این مسائل، دراین بخش قصد داریم به معنای شبکه های عصبی مصنوعی ، حدود انتظارات ماازاین شبکه هاوشباهتهای آنها با شبکه های واقعی بپردازیم.
سبکه های عصبی چه دربعد آنالیز وتوسعه ساختاری وچه دربعد پیاده سازی سخت افزار ازنظر کمی وکیفی وتوانایی درحال رشد وپیشرفت می باشد وتکنیکهای مختلف محاسبات عصبی ازلحاظ تعداد همچنان درحال افزایش است فعالیت علمی و کاربردی درمسائل فنی – مهندسی ازقبیل سیستمهای کنترلی ،پردازش سیگنالهاو شناسایی الگو گسترش یافته است.

بااذعان بخه این مسائل، دراین بخش قصد داریم به معنای شبکه های عصبی مصنوعی ، حدود انتظارات ماازاین شبکه هاوشباهتهای آنها با شبکه های واقعی بپردازیم.

هنگامی که این جملات رامطالعه می کنید درعمل ازیک سیستم شبکه های عصبی بیولوژیکی پیچیده ، جهت فهم مطالب کتاب می ناییدازمغز به عنوان یک سیستم پردازش اطلاعات باساختار موازی وکاملاً پیچیده که دو درصد وزن بدن راتشکیل می دهد.

وبیش از بیست درصد کل اکسیژن بدن را مصرف می کند برای خواندن، نفس کشیدن ، حرکت، تفکر وتفحص وکلیه اعمال آگاهانه وبسیاری ازرفتارهای ناخودآگاه استفاده می شود.

جهت واضح شدن توانائی مغز، یک بازی تنیس رادرنظر بگیرید بازیکن اول به توپ ضربه مزند وتوپ باسرعتی بیش از 130کیلومتر درساعت ب ه زمین حریف می رس د حریف مقابل نیز با سرعتی معادل 60 کیلومتر درساعت به توپ ارسالی پاسخ می دهد.تصور نمایید که چه حجم عظیمی ازاطلاعات وسیگانلها جهت این کار ودرطی زمانی کمتر از چندثانیه بایستی جمع آوری وحاسبه شود.

این که چگونه مغز این کارها راانجا م می دهد اززمانی مطرح شد که دریافتند مغز برای محاسبات خود، از ساختاری کاملاً مغایر باساختار متداول برخوردار می باشد.تلاش برای فهم این موضوع خصوصاً ازسال 1911قوت گرفت ، زمانی که برای نخستین بارشخصی به نام سگال اعلام کرد که مغز ازعناصر اصلی ساختاری به نام نرون تشکیل یافته است.

هرنرون بیولوژیکی به عنوان اجتماعی ازموادآلی اگر چه دارای پیچیدگی یک میکروپروسسور می باشد ولی دارای سرعت محاسباتی برابر بایک میکروپروسسور نیست.

بعضی ازساختارهای نرونی درهنگام تولد ساخته می شوند وقسمتهای دیگر درطول مسیر حیات ، مخصوصاً دراوایل زندگی به و.جود می آیند وقوام می گیرند دانشمندان علم بیولوژیکی به تازگی دریافته اند که عملکرد نرونهای بیولوژیکی ازقبیل ذخیره سازی وحفظ بیولوژیکی درخودنرونها وارتباطات بین نرونها ن هفته است.

به عبارت فنی تر ، یادگیری به عنوان ایجاد ارتباطات جدید بین نرونها وتنظیم مجدد ارتباطات موجود استنباط می شود.

اگر چه دانش کمی ازعملکرد نرونها داریم، لیکن سوال این جاست که آیا می توان یک شبکه کوچک تزنرونها ی مصنوعی ساده ساخت، بطوری که جهت حل مسائل پیچیده – که دراصل چیزی جز یادگیری نگاشتها نیست- آموزش پذیر باشد؟

پاسخ مثبت است واین کتاب دراصل جوابی براین مدعاست.

انتظارات شبکه های عصبی باوجود این که باسیستم عصبی طبیعی قابل مقایسه نیستند ویژگیهایی دارند که آنها رادربعضی ازکابردهایی مانند تفکیک الگو، رباتیک ، کنترل، وبطور کلی درهرجا که نیاز به یادگیری یک نگاشت خطی ویاغیر خطی باشد، ممتاز می نمایند این ویژگیها به شرح زیر هستند: قابلیت یادگیری: استخراج نتایج تحلیلی ازیک نگاشت غیر خطی که باچند مشخص شده، کار ساده ای نیست، زیرا نرون یک دستگا ه غیرخطی است ودرنتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل می شود نیز یک سیستم کاملاً پیچیده وغیر خطی خواهد بود.

به علاوه، خاصیت غیر .خطی عناصر پردازش، ذدرکل شبکه توزیع می گردد.

پیاده سازی این نتایج با یک الگوریتم معمولی وبدون قابلی ت یادگیری ، نیاز به دقت ومراقبت زیادی دارد.

درچنین حالتی سیستمی که بتواند خود ای ن رابطه رااستخراج کند بسیار سودمند به نظر می رسدخصوصاًافزودن مثالهای احتمالی درآینده به یک سیستم باقابلیت یادگیری ، به مراتب آسانتر ازانجام آن دریک سیستم بدون چنین قابلیتی است، چراکه درسیستم اخیر ، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است.

قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه( وزنهای سیناپتیکی) درمسیرزمانی که محیط شبکه تغییر می کند وشبکه شرایط جدید راتجربه می کند بااین هدف که اگر شبکه برای یک وضعیت خاص آموزش دید وتغییر کوچکی ئرشرایط محیطی آن (وضعیت) رخ داد، شبکه بتواند باآموزش مختصر برای شرایط جدید نیزکارآمد باشد.دیگر این که اطلاعات درشبکه های عصبی درسیناپسها ذخیره می گرددوهرنرون در شبکه، به صورت بالقوه از.کل فعالیت سایر نرونها متأثرمی شود ودرنتیجه ، اطلاعات ازنوع مجزا ازهم نبوده بلکه متأثر ازکل شبکه می باشد.

پراکندگی اطلاعات پردازش اطلاعات به صورت متن: آنچه که شبکه فرامی گیرد(اطلاعات یادانش)، دروزنهای سیناپسی مستتر می باشد.

رابطه یک به یک بین ورودیها و وزنهای سیناپتیکی وجود ندارد.

می توان گفت که هروزن سیناپسی مربوط به همه روریهاست ولی به هیچ یک از آنها بطور منفرد ومجزا مربوط نیست.

به عبارت دیگر هرنرون درشبکه ،ازکل فعالیت سایر نرونها متاثر می باشد، در نتیجه ، اطلاعات به صورت متن توسط شبکه های عصبی پردازش می شوند.براین اساس چناچه بخشی ازسلولهای شبکه حذف شوند ویاعملکرد غلط داشته باشندبازهم احتمال رسیدن به پاسخ صحیح وجوددارد.اگر چه ای ن احتمال برای تمام ورودیه ا کاهش یافته ولی برای هیچ یک ازبین نرفته است.

قابلیت تعمیم: پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه می تواند درمقابف یک ورودی آموزش داده نشده قرارگیرند ویک خروجی مناسب ارائه نمایند.این خروجی بر اساس مکانیسم تعمیم، که همانا چیزی جز فرایند درونیابی نیست به دست می .اید .به عبارت روشنتر ،شبکه ، تابع رایاد می گیرد، الگوریتم رامی آموزد ویا رابطه تحلیلی مناسبی رابرای تعدادی نقاط درفضا به دست می اورد.

پردازش موازی: هنگامی که شبکه عصبی درقالب سخت افزار پیاده سلولهایی که دریک تراز قرار میگیرند می توانند بطور همزمان به ورودیهای آن تراز پاسخ دهند .این ویژگی باعث افزایش سرعت پردازش می شود .درواقع درچنین سیستمی ،وظیفه کلی پردازش بین پردازنده های کوچکتر مستقل ازیکدیگر توزیع می گردد.

مقاوم بودن: دریک شبکه عصبی هرسلول بطور مستقل عمل می کند ورفتار کلی شبکه ، برایند رفتارهای محلی سوللهای متعدد است.این ویژگی باعث می شود تاخطاها ی محلی ازچشم خروجی نهایی دوربمانند.به عبارت دیگر، سلولها دریک روند همکاری ،خطاها ی محلی یکدیگر راتصحیح میکنند.

این خصوصیت باعث افزایش قابلیت مقاوم بودن، (تحمل پذیری خطاها) درسیستم می گردد.

درروش های آماری براساس شمارش ویژگی های موردنظر ویادگیری الگوی خلاصه سازی برای هرجمله امتیازی درنظر گرفته می شود وجملات مهم ترکه امتیاز ویادگیری الگوی خلاصه استخراج می شوند.اولین روش یادگیری نظارتی توسط Kupie cetal انجام شد دراین روش ازاحتمال وجود یک جمله رادرخلاصه باتوجه به تصاویر ویژگیهای موردنظرش استخراج میکرد.روش های نظارتی دیگر روزمره درحال تحقیقات گسترده هستند Chauny وبانک الگوریتم های زیادی رابرای جداسازی واستخراج جملات استفاده کردند.

همانطور که ذکرشد هرقاعده شامل یک مقدمه است که ابزارآن توسط عملکردخای AMP ،OR به هم مربوط ده اند درروش ؟؟؟

ازعملکرد MIN برای amp ازعملکرد MAN برای OR استفاده میکنیم هرقاعده ای که تحت مقدمه آن درجه ؟؟؟؟؟‌داشته باشد فعال می شود بنابراین اگر ازتوابع ؟؟

گاوسی استفاده کنیم توام قواعد فعال خواهدشد اگر ق.اعد نازی توسط عملکردOR به هم مربوط شده باشند برای ترکیب (Aggergation) قواعد فعال شد ( یعنی بدست آوردن یک خروجی واحد ازروی خروجیهای این قواعد) مالکزیم خروجیهای قواعد رابدست می آوریم.

روش فوق رااستنباح – man – min می نامیم روش دیگر - ?um – Prod است که درآن ازحزب برای عملکرد AND وازجمع برای عملکرد OR استفاده می آوریم.

مرحله غیر فازی سازی: درمرحله غیرنازی سازی (Depazzificalion) باتوجه به سطحی که درمرحله استنتاج بدست آمده است.مقداری حقیقی برای خروجی بدست می آوریم روشهای مختلفی برای غیر فارسی سازی وجوددارد که پرکاربردترین آنها روش گرانیگاه (centero f Avermy) است.

گرانیگاه سفت کننده سطح میانگین تمام مقادیری بیشترین ؟؟؟عضویت هستند ،کوچکترین مقداری که دارای بیشترین درجه عضویت است.

بزرگترین مقداری که دارای بیشترین درجه عضویت است.

در منطق کلاسیک یک عنصر یا متعلق به یک مجموعه هست و یا نیست به عبارت دیگر درجه عضویت هر عنصر در یک مجموعه مفروض یافته است و یا یک اما در منطق فازی درجه عضویت هر عنصر عددی بین صفر و یک است.

دلایل بهره گیری از منطق فازی بیشتر مدول سازی یک سیستم به شدت غیرخطی و بدون داشتن مدل ریاضی است.

مراحل پیاده سازی سیستم فازی: مرحله فازی سازی: مرحله فازی سازی مرحله تعریف مجموعه های فازی برای متغیرهای ورودی و خروجی است برای تعریف این مجموعه های فازی باید دانش اولیه ای از دانه تعریف هر کدام از این متغیرها را داشته باشیم.

اولین مرحله کل فضای ورودی را می توان با توابع خاصی تقسیم بندی کرد.

که این توابع عبارتند از: مرحله استنتاج: در مرحله استنتاج، تعدادی قاعده فازی به وجود می آوریم و با استفاده از این قواعد تعداد سیگنال کنترل را با توجه به مقدار خطا و مشتق آن محاسبه می کنیم هر قاعده فازی شامل دو قسمت است یک قسمت مقدم به صورت (اگر ...) و یک قسمت نتیجه به صورت (آنگاه ....) خلاصه سازی با شبکه عصبی: همان طور که قبلاً گفته شد اولین گام انتخاب ویژگی های مورد نظر است.

در این روش و روش بخش بعدی از این ویژگی ها استفاده می کنیم.

تعداد تکرار کلمات عنوان از متن آیا جمله اول پاراگراف است آیا جمله آخر پاراگراف است تعداد کلمات در جمله تعداد کلمات کلیدی در جمله تعداد کلماتی مانند خیلی بیشترین و ...

در بخش استخراج ویژگی ها از visual C++(6) استفاده شده است دلایل این کار این است که اولاً با آرایه ها در C بسیار آسان تر از زبان های دیگر است بر سرعت بالای پردازش از Visual c در مقایسه با MATIAB و ویژگی بسیار متمایز و دلیل اصلی این استفاده این بود که چون هدف طراحی یک نرم افزار برای زبان فارسی بود